已排序Pandas DataFrame按列值查询行索引的性能优化咨询

原有实现的核心性能问题是：每次调用函数都会触发一次全表布尔匹配，1000万行的表单次查询就要遍历千万级数据，循环调用3万次的时间复杂度达到O(3e4 * 1e7)，性能损耗极高。结合word列已经按字母序排序的前提，可按以下优先级选择优化方案：

方案1：预构建word到索引的映射字典（性能最优） #

如果word列无重复值，该方案是最优选择，仅需一次全表遍历构建映射，后续所有查询都是O(1)复杂度。
实现代码：

# 提前一次性构建映射，仅需执行一次
word_index_map = dict(zip(df['word'], df.index))

# 后续查询直接调用字典，无需再操作DataFrame
def getIndex(givenword):
    # 可自行添加不存在的场景处理，避免KeyError
    return word_index_map[givenword]

该方案的构建和查询总耗时通常在秒级，远低于其他方案。

方案2：利用排序特性使用二分查找 #

如果word列存在重复值，或者不想额外存储全量映射，可以用二分查找替代全表扫描，单次查询复杂度降到O(log₂1e7)≈24次运算，3万次查询总运算量仅几十万次。
实现代码：

import numpy as np

# 提前提取排序后的word列数组，仅需执行一次
sorted_word_arr = df['word'].values
df_index_arr = df.index.values

def getIndex(givenword):
    # 二分查找定位位置
    pos = np.searchsorted(sorted_word_arr, givenword)
    # 校验是否匹配成功，避免查询不存在的word返回错误结果
    if pos < len(sorted_word_arr) and sorted_word_arr[pos] == givenword:
        # 存在多个匹配值时返回第一个的索引，可按需调整返回所有匹配项
        return df_index_arr[pos]
    # 不存在的场景可自行定义返回值，比如返回None
    return None

方案3：批量查询替代循环单次查询 #

如果3万个待查询的word是可以提前汇总的，也可以一次性批量匹配，仅需一次全表扫描即可拿到所有结果。
实现代码：

# 待查询的3万个word列表
target_words = [word1, word2, ..., word30000]

# 一次性查询所有匹配项，生成word到索引的映射
match_result = df[df['word'].isin(target_words)].set_index('word')['index'].to_dict()

内容的提问来源于stack exchange，提问作者user15210613