Ao ter um DataFrame do Pandas assim:

import pandas as pd
import numpy as np
df = pd.DataFrame({'today': [['a', 'b', 'c'], ['a', 'b'], ['b']], 
                   'yesterday': [['a', 'b'], ['a'], ['a']]})

                 today        yesterday
0      ['a', 'b', 'c']       ['a', 'b']
1           ['a', 'b']            ['a']
2                ['b']            ['a']                          
... etc

Porém, com cerca de 100.000 entradas, estou procurando encontrar as adições e remoções dessas listas nas duas colunas em uma linha.

É comparável a esta pergunta: Pandas: Como comparar colunas de listas em linhas em um DataFrame com Pandas (não para loop)? mas estou observando as diferenças, e o Pandas.applymétodo parece não ser tão rápido para tantas entradas. Este é o código que estou usando no momento. Pandas.applycom o numpy's setdiff1dmétodo:

additions = df.apply(lambda row: np.setdiff1d(row.today, row.yesterday), axis=1)
removals  = df.apply(lambda row: np.setdiff1d(row.yesterday, row.today), axis=1)

Isso funciona bem, no entanto, leva cerca de um minuto para 120 000 entradas. Então, existe uma maneira mais rápida de conseguir isso?

Não tenho certeza sobre o desempenho, mas com a falta de uma solução melhor, isso pode se aplicar:

temp = df[['today', 'yesterday']].applymap(set)
removals = temp.diff(periods=1, axis=1).dropna(axis=1)
additions = temp.diff(periods=-1, axis=1).dropna(axis=1) 

Remoções:

  yesterday
0        {}
1        {}
2       {a}

Aditivos:

  today
0   {c}
1   {b}
2   {b}

df['today'].apply(set) - df['yesterday'].apply(set)

Vou sugerir que você calcule additionse removalsdentro da mesma aplicação.

Gere um exemplo maior

import pandas as pd
import numpy as np
df = pd.DataFrame({'today': [['a', 'b', 'c'], ['a', 'b'], ['b']], 
                   'yesterday': [['a', 'b'], ['a'], ['a']]})
df = pd.concat([df for i in range(10_000)], ignore_index=True)

Sua solução

%%time
additions = df.apply(lambda row: np.setdiff1d(row.today, row.yesterday), axis=1)
removals  = df.apply(lambda row: np.setdiff1d(row.yesterday, row.today), axis=1)
CPU times: user 10.9 s, sys: 29.8 ms, total: 11 s
Wall time: 11 s

Sua solução em uma única aplicação

%%time
df["out"] = df.apply(lambda row: [np.setdiff1d(row.today, row.yesterday),
                                  np.setdiff1d(row.yesterday, row.today)], axis=1)
df[['additions','removals']] = pd.DataFrame(df['out'].values.tolist(), columns=['additions','removals'])
df = df.drop("out", axis=1)

CPU times: user 4.97 s, sys: 16 ms, total: 4.99 s
Wall time: 4.99 s

Usando set

A menos que suas listas sejam muito grandes, você pode evitar numpy

def fun(x):
    a = list(set(x["today"]).difference(set(x["yesterday"])))
    b = list((set(x["yesterday"])).difference(set(x["today"])))
    return [a,b]

%%time
df["out"] = df.apply(fun, axis=1)
df[['additions','removals']] = pd.DataFrame(df['out'].values.tolist(), columns=['additions','removals'])
df = df.drop("out", axis=1)

CPU times: user 1.56 s, sys: 0 ns, total: 1.56 s
Wall time: 1.56 s

Solução de @ r.ook

Se você está feliz por ter conjuntos em vez de listas como saída, você pode usar o código de @ r.ook

%%time
temp = df[['today', 'yesterday']].applymap(set)
removals = temp.diff(periods=1, axis=1).dropna(axis=1)
additions = temp.diff(periods=-1, axis=1).dropna(axis=1) 
CPU times: user 93.1 ms, sys: 12 ms, total: 105 ms
Wall time: 104 ms

A solução de @Andreas K.

%%time
df['additions'] = (df['today'].apply(set) - df['yesterday'].apply(set))
df['removals'] = (df['yesterday'].apply(set) - df['today'].apply(set))

CPU times: user 161 ms, sys: 28.1 ms, total: 189 ms
Wall time: 187 ms

e você pode eventualmente adicionar .apply(list)para obter a mesma saída

Aqui está um com a idéia de descarregar parte de computação para ferramentas NumPy vetorizadas. Reuniremos todos os dados em matrizes únicas para cada cabeçalho, executaremos toda a correspondência necessária no NumPy e, finalmente, voltaremos às entradas de linha necessárias. No NumPy que faz a parte de trabalho pesado, usaremos o hash com base nos IDs e IDs de cada grupo usando np.searchsorted. Também estamos usando números, pois esses são mais rápidos com o NumPy. A implementação seria algo parecido com isto -

t = df['today']
y = df['yesterday']
tc = np.concatenate(t)
yc = np.concatenate(y)

tci,tcu = pd.factorize(tc)

tl = np.array(list(map(len,t)))
ty = np.array(list(map(len,y)))

grp_t = np.repeat(np.arange(len(tl)),tl)
grp_y = np.repeat(np.arange(len(ty)),ty)

sidx = tcu.argsort()
idx = sidx[np.searchsorted(tcu,yc,sorter=sidx)]

s = max(tci.max(), idx.max())+1
tID = grp_t*s+tci
yID = grp_y*s+idx

t_mask = np.isin(tID, yID, invert=True)
y_mask = np.isin(yID, tID, invert=True)

t_se = np.r_[0,np.bincount(grp_t,t_mask).astype(int).cumsum()]
y_se = np.r_[0,np.bincount(grp_y,y_mask).astype(int).cumsum()]

Y = yc[y_mask].tolist()
T = tc[t_mask].tolist()

A = pd.Series([T[i:j] for (i,j) in zip(t_se[:-1],t_se[1:])])
R = pd.Series([Y[i:j] for (i,j) in zip(y_se[:-1],y_se[1:])])

É possível uma otimização adicional nas etapas de cálculo t_maske y_mask, onde np.searchsortedpoderia ser usado novamente.

Também poderíamos usar uma atribuição de matriz simples como uma alternativa à isinetapa a ser obtida t_maske y_mask, assim:

M = max(tID.max(), yID.max())+1
mask = np.empty(M, dtype=bool)

mask[tID] = True
mask[yID] = False
t_mask = mask[tID]

mask[yID] = True
mask[tID] = False
y_mask = mask[yID]