pandas：在多索引数据帧上复制/广播单索引数据帧：方法和内存效率

Question

问题

股票交易的 ML 数据准备。我在大型 DataFrame 上有 3-dim MultiIndex（可能 n=800000 x f=20）。一个索引维度是 date，具有大约 dt=1000 水平，其他维度识别 m=800 不同的股票（每个有 20 个特征，每个股票单独）。所以对于每个日期，有 800 x 20 个不同的值。

现在我有 dt=1000 x g=30 全球时间序列 （如 DJIA、货币汇率等），所以每个日期有 30 个值 每只股票相同。这是一个只有日期作为索引的单索引 DataFrame。

问题一

如何合并这两个数据集，以便将 30 个系列广播到每只股票上，最终形状为 (800000 x 50)？

问题二

有没有办法不通过复制后30列的数据，而是查看原始数据来节省内存？根据我提到的数字，对于 float64 精度，我仍然会在 ~ 300 MB 左右，这仍然可以。但我很好奇。

例子

这是我得到的 f=2、g=1、m=4 和 dt=3 的最小示例：

import pandas as pd

data = {
    'x': [5,6,7,3,4,5,1,1,0,12,15,14],
    'y': [4,6,5,5,4,3,2,0,1,13,14,13]
}

dates = [pd.to_datetime('2018-01-01'), pd.to_datetime('2018-01-02'), pd.to_datetime('2018-01-03')]

index = pd.MultiIndex.from_arrays([
    ['alpha'] * 6 + ['beta'] * 6,
    ['A'] * 3 + ['B'] * 3 + ['C'] * 3 + ['D'] * 3,
    dates * 4,
])
df1 = pd.DataFrame(data, index=index)

df1.index.names = ['level', 'name', 'date']


df2 = pd.DataFrame([123,124,125], index=dates, columns=['z'])
df2.index.name = "date"

print (df1)
print (df2)
-------------------------------
                        x   y
level name date              
alpha A    2018-01-01   5   4
           2018-01-02   6   6
           2018-01-03   7   5
      B    2018-01-01   3   5
           2018-01-02   4   4
           2018-01-03   5   3
beta  C    2018-01-01   1   2
           2018-01-02   1   0
           2018-01-03   0   1
      D    2018-01-01  12  13
           2018-01-02  15  14
           2018-01-03  14  13

              z
date           
2018-01-01  123
2018-01-02  124
2018-01-03  125

以及我喜欢的东西：

                        x   y     z
level name date              
alpha A    2018-01-01   5   4   123
           2018-01-02   6   6   124
           2018-01-03   7   5   125
      B    2018-01-01   3   5   123
           2018-01-02   4   4   124
           2018-01-03   5   3   125
beta  C    2018-01-01   1   2   123
           2018-01-02   1   0   124
           2018-01-03   0   1   125
      D    2018-01-01  12  13   123
           2018-01-02  15  14   124
           2018-01-03  14  13   125

Answer 1

我认为需要 join 在两个 DataFrame 中对齐相同的索引名称 date:

df = df1.join(df2)
print (df)
                        x   y    z
level name date                   
alpha A    2018-01-01   5   4  123
           2018-01-02   6   6  124
           2018-01-03   7   5  125
      B    2018-01-01   3   5  123
           2018-01-02   4   4  124
           2018-01-03   5   3  125
beta  C    2018-01-01   1   2  123
           2018-01-02   1   0  124
           2018-01-03   0   1  125
      D    2018-01-01  12  13  123
           2018-01-02  15  14  124
           2018-01-03  14  13  125

pandas：在多索引数据帧上复制/广播单索引数据帧：方法和内存效率

pandas: Replicate / Broadcast single indexed DataFrame on MultiIndex DataFrame: HowTo and Memory Efficiency

python

pandas

sklearn-pandas