Problemstellung
Ich suche nach einer effizienten Möglichkeit, vollständige binäre kartesische Produkte (Tabellen mit allen Kombinationen von Wahr und Falsch mit einer bestimmten Anzahl von Spalten) zu generieren, die nach bestimmten exklusiven Bedingungen gefiltert werden. Zum Beispiel n=3
würden wir für drei Spalten / Bits die vollständige Tabelle erhalten
df_combs = pd.DataFrame(itertools.product(*([[True, False]] * n)))
0 1 2
0 True True True
1 True True False
2 True False True
3 True False False
...
Dies soll durch Wörterbücher gefiltert werden, die sich gegenseitig ausschließende Kombinationen wie folgt definieren:
mutually_excl = [{0: False, 1: False, 2: True},
{0: True, 2: True}]
Wobei die Schlüssel die Spalten in der obigen Tabelle bezeichnen. Das Beispiel würde wie folgt gelesen werden:
- Wenn 0 falsch und 1 falsch ist, kann 2 nicht wahr sein
- Wenn 0 wahr ist, kann 2 nicht wahr sein
Basierend auf diesen Filtern ist die erwartete Ausgabe:
0 1 2
1 True True False
3 True False False
4 False True True
5 False True False
7 False False False
In meinem Anwendungsfall ist die gefilterte Tabelle um mehrere Größenordnungen kleiner als das vollständige kartesische Produkt (z. B. etwa 1000 statt 2**24 (16777216)
).
Im Folgenden sind meine drei aktuellen Lösungen aufgeführt, von denen jede ihre eigenen Vor- und Nachteile hat und die ganz am Ende besprochen werden.
import random
import pandas as pd
import itertools
import wrapt
import time
import operator
import functools
def get_mutually_excl(n, nfilt): # generate random example filter
''' Example: `get_mutually_excl(9, 2)` creates a list of two filters with
maximum index `n=9` and each filter length between 2 and `int(n/3)`:
`[{1: True, 2: False}, {3: False, 2: True, 6: False}]` '''
random.seed(2)
return [{random.choice(range(n)): random.choice([True, False])
for _ in range(random.randint(2, int(n/3)))}
for _ in range(nfilt)]
@wrapt.decorator
def timediff(f, _, args, kwargs):
t = time.perf_counter()
res = f(*args)
return res, time.perf_counter() - t
Lösung 1: Zuerst filtern, dann zusammenführen.
Erweitern Sie jeden einzelnen Filtereintrag (z. B. {0: True, 2: True}
) in eine Untertabelle mit Spalten, die den Indizes in diesem Filtereintrag ( [0, 2]
) entsprechen. Entfernen Sie eine einzelne gefilterte Zeile aus dieser Untertabelle ( [True, True]
). Mit vollständiger Tabelle zusammenführen, um die vollständige Liste der gefilterten Kombinationen zu erhalten.
@timediff
def make_df_comb_filt_merge(n, nfilt):
mutually_excl = get_mutually_excl(n, nfilt)
# determine missing (unfiltered) columns
cols_missing = set(range(n)) - set(itertools.chain.from_iterable(mutually_excl))
# complete dataframe of unfiltered columns with column "temp" for full outer merge
df_comb = pd.DataFrame(itertools.product(*([[True, False]] * len(cols_missing))),
columns=cols_missing).assign(temp=1)
for filt in mutually_excl: # loop through individual filters
# get columns and bool values of this filters as two tuples with same order
list_col, list_bool = zip(*filt.items())
# construct dataframe
df = pd.DataFrame(itertools.product(*([[True, False]] * len(list_col))),
columns=list_col)
# filter remove a *single* row (by definition)
df = df.loc[df.apply(tuple, axis=1) != list_bool]
# determine which rows to merge on
merge_cols = list(set(df.columns) & set(df_comb.columns))
if not merge_cols:
merge_cols = ['temp']
df['temp'] = 1
# merge with full dataframe
df_comb = pd.merge(df_comb, df, on=merge_cols)
df_comb.drop('temp', axis=1, inplace=True)
df_comb = df_comb[range(n)]
df_comb = df_comb.sort_values(df_comb.columns.tolist(), ascending=False)
return df_comb.reset_index(drop=True)
Lösung 2: Volle Expansion, dann filtern
Generieren Sie DataFrame für ein vollständiges kartesisches Produkt: Das Ganze landet im Speicher. Durchlaufen Sie die Filter und erstellen Sie für jeden eine Maske. Wenden Sie jede Maske auf die Tabelle an.
@timediff
def make_df_comb_exp_filt(n, nfilt):
mutually_excl = get_mutually_excl(n, nfilt)
# expand all bool combinations into dataframe
df_comb = pd.DataFrame(itertools.product(*([[True, False]] * n)),
dtype=bool)
for filt in mutually_excl:
# generate total filter mask for given excluded combination
mask = pd.Series(True, index=df_comb.index)
for col, bool_act in filt.items():
mask = mask & (df_comb[col] == bool_act)
# filter dataframe
df_comb = df_comb.loc[~mask]
return df_comb.reset_index(drop=True)
Lösung 3: Filteriterator
Halten Sie das vollständige kartesische Produkt als Iterator. Schleife, während für jede Zeile geprüft wird, ob sie von einem der Filter ausgeschlossen wird.
@timediff
def make_df_iter_filt(n, nfilt):
mutually_excl = get_mutually_excl(n, nfilt)
# switch to [[(1, 13), (True, False)], [(4, 9), (False, True)], ...]
mutually_excl_index = [list(zip(*comb.items()))
for comb in mutually_excl]
# create iterator
combs_iter = itertools.product(*([[True, False]] * n))
@functools.lru_cache(maxsize=1024, typed=True) # small benefit
def get_getter(list_):
# Used to access combs_iter row values as indexed by the filter
return operator.itemgetter(*list_)
def check_comb(comb_inp, comb_check):
return get_getter(comb_check[0])(comb_inp) == comb_check[1]
# loop through the iterator
# drop row if any of the filter matches
df_comb = pd.DataFrame([comb_inp for comb_inp in combs_iter
if not any(check_comb(comb_inp, comb_check)
for comb_check in mutually_excl_index)])
return df_comb.reset_index(drop=True)
Führen Sie Beispiele aus
dict_time = dict.fromkeys(itertools.product(range(16, 23, 2), range(3, 20)))
for n, nfilt in dict_time:
dict_time[(n, nfilt)] = {'exp_filt': make_df_comb_exp_filt(n, nfilt)[1],
'filt_merge': make_df_comb_filt_merge(n, nfilt)[1],
'iter_filt': make_df_iter_filt(n, nfilt)[1]}
Analyse
import seaborn as sns
import matplotlib.pyplot as plt
df_time = pd.DataFrame.from_dict(dict_time, orient='index',
).rename_axis(["n", "nfilt"]
).stack().reset_index().rename(columns={'level_2': 'solution', 0: 'time'})
g = sns.FacetGrid(df_time.query('n in %s' % str([16,18,20,22])),
col="n", hue="solution", sharey=False)
g = (g.map(plt.plot, "nfilt", "time", marker="o").add_legend())
Lösung 3 : Der iteratorbasierte Ansatz ( comb_iterator
) hat schlechte Laufzeiten, aber keine signifikante Speichernutzung. Ich denke, es gibt Raum für Verbesserungen, obwohl die unvermeidliche Schleife wahrscheinlich harte Grenzen in Bezug auf die Laufzeit auferlegt.
Lösung 2 : Das Erweitern des vollständigen kartesischen Produkts zu einem DataFrame ( exp_filt
) führt zu erheblichen Speicherspitzen, die ich vermeiden möchte. Die Laufzeiten sind jedoch in Ordnung.
Lösung 1 : Das Zusammenführen von DataFrames, die aus den einzelnen Filtern ( filt_merge
) erstellt wurden, scheint eine gute Lösung für meine praktische Anwendung zu sein (beachten Sie die Verkürzung der Laufzeit für eine größere Anzahl von Filtern, die sich aus der kleineren cols_missing
Tabelle ergibt ). Dieser Ansatz ist jedoch nicht ganz zufriedenstellend: Wenn ein einzelner Filter alle Spalten enthält, würde das gesamte kartesische Produkt ( 2**n
) im Speicher landen, was diese Lösung schlechter macht als comb_iterator
.
Frage: Irgendwelche anderen Ideen? Ein verrückter schlauer Numpy Two-Liner? Könnte der iteratorbasierte Ansatz irgendwie verbessert werden?
Antworten:
Versuchen Sie Folgendes zu planen:
Es behandelt die kartesischen Binärprodukte als die im Bereich von Ganzzahlen codierten Bits
0..<2**n
und verwendet vektorisierte Funktionen, um rekursiv Zahlen zu entfernen, deren Bitsequenzen mit den angegebenen Filtern übereinstimmen.Die Speichereffizienz ist besser als die Zuweisung aller
[True, False]
kartesischen Produkte, da jeder Boolesche Wert mit jeweils mindestens 8 Bit gespeichert wird (wobei 7 Bit mehr als erforderlich verwendet werden), jedoch mehr Speicher als bei einem iteratorbasierten Ansatz verwendet wird. Wenn Sie eine Lösung für großen
Bereiche benötigen , können Sie diese Aufgabe aufschlüsseln, indem Sie jeweils einen Teilbereich zuweisen und bearbeiten. Ich hatte dies in meiner ersten Implementierung, aber es bot nicht viel Nutzen fürn<=22
und es erforderte die Berechnung der Größe des Ausgabearrays, was kompliziert wird, wenn es überlappende Filter gibt.quelle
Basierend auf @ ayhans Kommentar habe ich eine SAT-basierte Lösung für or-tools implementiert. Obwohl die Idee großartig ist, kämpft dies wirklich um eine größere Anzahl von binären Variablen. Ich vermute, dass dies großen IP-Problemen ähnelt, die auch kein Spaziergang im Park sind. Die starke Abhängigkeit von Filternummern könnte dies jedoch zu einer gültigen Option für bestimmte Parameterkonfigurationen machen. Aber als allgemeine Lösung würde ich es nicht verwenden.
quelle