优化Pandas偶数匹配逻辑：避免N×M迭代提升大数量级处理性能

问题背景 #

现有Pandas DataFrame如下：

import pandas as pd
df = pd.DataFrame({"letter":['A','B','D','E','G','W','G','M','E','Q'],"value":[1,6,4,0,9,7,0,-1,5,3]})

以及名称-数值列表：

items = [['John',1],['Mike',8],['Jessica',4]]

需求是将DataFrame中满足「value与item的value之和为偶数」的letter追加到对应item中。原有实现采用循环+apply逐行判断，在DataFrame有5万行、items有100个的场景下，会产生50万次迭代，性能极差。

核心逻辑优化 #

两个数之和为偶数的本质是两数奇偶性相同（同为奇数或同为偶数）。基于这个规律，我们可以提前对DataFrame做一次分组预处理，避免重复遍历整个DataFrame。

优化实现代码 #

import pandas as pd

df = pd.DataFrame({"letter":['A','B','D','E','G','W','G','M','E','Q'],"value":[1,6,4,0,9,7,0,-1,5,3]})
items = [['John',1],['Mike',8],['Jessica',4]]

# 预处理：按value的奇偶性分组，收集对应的letter列表
odd_letters = df[df['value'] % 2 != 0]['letter'].tolist()
even_letters = df[df['value'] % 2 == 0]['letter'].tolist()

# 遍历items直接匹配对应分组
for item in items:
    v = item[1]
    if v % 2 != 0:
        item.append(odd_letters.copy())  # 用copy避免后续修改影响原列表
    else:
        item.append(even_letters.copy())

# 输出结果
for res in items:
    print(res)

结果验证 #

运行后得到与原有实现一致的正确结果：

['John', 1, ['A', 'G', 'W', 'M', 'E', 'Q']]
['Mike', 8, ['B', 'D', 'E', 'G']]
['Jessica', 4, ['B', 'D', 'E', 'G']]

性能提升说明 #

原有方案时间复杂度为O(N*M)（N为DataFrame行数，M为items数量），优化后时间复杂度降至O(N+M)：

• 仅需遍历一次DataFrame完成分组（O(N)）
• 遍历items仅做简单的奇偶判断和列表追加（O(M)）
  在5万行+100个items的场景下，处理次数从50万次降到50100次，性能提升显著。

内容的提问来源于stack exchange，提问作者ProcolHarum