оптимизации контура в Python с использованием локация команды

Question

У меня есть раздел питона кода, как показано ниже:

# Main Loop that take values attributed to the row by row basis and sorts 
# them into correpsonding columns based on matching the 'Name' and the newly 
# generated column names. 
listed_names=list(df_cv) #list of column names to reference later. 
variable=listed_names[3:] #List of the 3rd to the last column. Column 1&2 are irrelevant. 
for i in df_cv.index: #For each index in the Dataframe (DF) 
    for m in variable: #For each variable in the list of variable column names 
      if df_cv.loc[i,'Name']==m: #If index location in variable name is equal to the variable column name... 
       df_cv.loc[i,m]=df_cv.loc[i,'Value'] #...Then that location is equal to the value in same row under the column 'Value' 

В основном она принимает список 3XN времени/имя/значение и сортирует его в панд ФР размера п от уникальный (п).

Time Name Value 
1  Color Red 
2  Age  6 
3  Temp 25 
4  Age  1 

В это:

Time Color Age Temp 
1  Red  
2    6 
3      25 
4    1 

Мой код взять очень долгое количество времени, чтобы бежать, и я хотел бы знать, если есть лучший способ настроить свои циклы. Я пришел из фона MATLAB, поэтому стиль python (т.е. не используя строки/столбцы для все по-прежнему инопланетен).

Как сделать этот раздел кода быстрее?

Answer 1

Вместо того, чтобы зацикливать, подумайте об этом как о сводной операции. Если предположить, что время представляет собой столбец, а не индекс (если он есть, просто использовать reset_index):

In [96]: df 
Out[96]: 
    Time Name Value 
0  1 Color Red 
1  2 Age  6 
2  3 Temp 25 
3  4 Age  1 

In [97]: df.pivot(index="Time", columns="Name", values="Value") 
Out[97]: 
Name Age Color Temp 
Time     
1  None Red None 
2  6 None None 
3  None None 25 
4  1 None None 

In [98]: df.pivot(index="Time", columns="Name", values="Value").fillna("") 
Out[98]: 
Name Age Color Temp 
Time    
1   Red  
2  6   
3    25 
4  1   

Это должно быть намного быстрее на реальных наборах данных, и проще для загрузки.