パンダの機能が長すぎます

Question

トップレベルのURLを抽出してパスを無視しようとしています。私は以下のコードを使用しています：

for row in Mexico['Page URL']: 
    parsed_uri = urlparse('http://www.one.com.mx/furl/Conteúdo Raiz/Meu') 
    Mexico['SubDomain'] = '{uri.scheme}://{uri.netloc}/'.format(uri=parsed_uri) 

このスクリプトは過去1時間実行されています。誰もが、おそらく方法「警告」にポインタが

Answer 1

示唆一度Pythonの関数を呼び出すと、迅速な方法について助言することができれば

/anaconda/lib/python3.6/site-packages/ipykernel_launcher.py:3: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame. 
Try using .loc[row_indexer,col_indexer] = value instead 

See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy 
    This is separate from the ipykernel package so we can avoid doing imports until 

が、私はそれを感謝：私はそれを実行したときには、次の警告を与えましたシリーズが非常に長い場合、シリーズの各行は非常に遅くなる可能性があります。これを高速化するための鍵は、複数の関数呼び出しを（理想的には）1つのベクトル関数呼び出しに置き換えることです。

パンダを使用する場合は、vectorized string functionsという意味でのPython関数（例：urlparse）の書き換えを意味します。

urlparseはfairly complicatedなので、urlparseの書き換えはかなり難しいでしょう。しかし、あなたのケースでは、我々が気にするすべてのURLがhttps://またはhttp://で始まることを知っているという利点があります。だから我々は本格的に普及しているurlparseを必要としない。 netlocは、文字列の末尾までhttps://またはhttp://のいずれかの文字の後にあるか、または/のいずれか早いほうになるまでのいずれかになります。 それが本当であれば、

Mexico['Page URL'].str.extract('(https?://[^/]+)', expand=False) 

がループせずに、複数のurlparse関数呼び出しをせずに全体のシリーズMexico['Page URL']からすべてのnetlocsを抽出することができます。 len(Mexico)が大きい場合、これははるかに高速になります。例えば

---

、開始の

import pandas as pd 

Mexico = pd.DataFrame({'Page URL':['http://www.one.com.mx/furl/Conteúdo Raiz/Meu', 
            'https://www.one.com.mx/furl/Conteúdo Raiz/Meu']}) 

Mexico['SubDomain'] = Mexico['Page URL'].str.extract('(https?://[^/]+)', expand=False) 
print(Mexico) 

収率

         Page URL    SubDomain 
0 http://www.one.com.mx/furl/Conteúdo Raiz/Meu http://www.one.com.mx 
1 https://www.one.com.mx/furl/Conteúdo Raiz/Meu https://www.one.com.mx