现在，我正在研究STRING网络
当我想将STRING蛋白替换为Entrez ID时，我看到STRING数据有超过1 M的pandas行。
因此，我尝试将STRING蛋白质ID（如9606.ENSP00000~~）替换为Entrez ID（整数）。
所有的方法都很慢。
但是当我使用这段代码时，所用的时间< 5分钟。

这个代码没有问题吗？

这是密码。”

def replace_string_id(self, data: pd.DataFrame, target_col: str, rename_dict: dict) -> pd.DataFrame:
    tmp_list = []
    for target, tmp_df in data.groupby(target_col):
        if target in rename_dict.keys():
            tmp_df[target_col] = rename_dict[target]
            tmp_list.append(tmp_df)
        else:
            continue
    # merging

    return_df = pd.concat(tmp_list)
    return return_df

string_link_df是这样的：

protein1    protein2    combined_score 
0   381 9606.ENSP00000379496    155
1   381 9606.ENSP00000314067    197
2   381 9606.ENSP00000263116    222
...

replace_dict是：

{'9606.ENSP00000263100': 1,
 '9606.ENSP00000323929': 2,
 '9606.ENSP00000443194': 9,
 '9606.ENSP00000286479': 10,
 '9606.ENSP00000376793': 12,
 '9606.ENSP00000450540': 12,
 '9606.ENSP00000232892': 13,
...
}

string_renamed = replace_string_id(string_link_df, 'protein2', replace_dict)

”
这段代码比其他方法更快。
--编辑2023-06-023 KST --感谢所有评论我的问题的人。
这是我的全部数据。

**字符串数据：**可在此处下载：https://string-db.org/cgi/download?sessionId=bNSFUedQrsqe&species_text=Homo+sapiens
**链接数据文件名：**9606.protein.links.v11.5.txt.gz
**信息数据文件名：**9606.protein.info.v11.5.txt.gz

你可以使用下面的代码将信息数据转换为dict：

import pandas as pd
from tqdm import tqdm
from pathlib import Path

def main(args):
    # read string alias data
    string_alias_df = pd.read_csv(args.string_alias_path, sep="\t", dtype={"alias": str}, compression="gzip")
    
    # set target source which have Entrez ID
    target_source_list = [
        "BLAST_KEGG_GENEID",
        "BLAST_UniProt_DR_GeneID",
        "Ensembl_HGNC_Entrez_Gene_ID",
        "Ensembl_HGNC_Entrez_Gene_ID(supplied_by_NCBI)",
        "Ensembl_HGNC_UniProt_ID(supplied_by_UniProt)_DR_GeneID",
        "Ensembl_UniProt_DR_GeneID"
    ]
    
    # make string alias to Entrez
    alias_df = []
    for string_id, string_id_df in tqdm(string_alias_df.groupby('#string_protein_id')):
        target_rows = string_id_df[string_id_df['source'].isin(target_source_list)]
        if len(target_rows):
            target_row = target_rows.iloc[0]
            tmp_series = pd.Series(
                data=[string_id, target_row['alias']],
                index=["STRING ID", "Entrez"]
            )
        else:
            tmp_series = pd.Series(
                data=[string_id, ""],
                index=["STRING ID", "Entrez"]
            )
        alias_df.append(tmp_series)

    alias_df = pd.DataFrame(alias_df)
    
    # Need to STRIP
    # alias_df['Entrez'] = alias_df['Entrez'].str.strip()
    
    # save
    alias_df.to_csv(
        args.string_alias_path.parent.joinpath("STRING_Entrez_mapping_table.tsv"), 
        sep="\t", 
        header=True, 
        index=False,
    )
    pass

if __name__ == "__main__":
    import argparse
    ref_dir = Path(__file__).parent.parent.joinpath("references", "STRING")
    parser = argparse.ArgumentParser()
    parser.add_argument("--string_alias_path", type=Path, default=ref_dir.joinpath("9606.protein.aliases.v11.5.txt.gz"))
    args = parser.parse_args()
    main(args)

原始String数据如：

protein1    protein2    combined_score
0   9606.ENSP00000000233    9606.ENSP00000379496    155
1   9606.ENSP00000000233    9606.ENSP00000314067    197
2   9606.ENSP00000000233    9606.ENSP00000263116    222
3   9606.ENSP00000000233    9606.ENSP00000361263    181
4   9606.ENSP00000000233    9606.ENSP00000409666    270

我需要所有这些列。
我做了两个函数。
一个是西蒙·大卫提出的：

def use_replace(string, target_col, replace_dict) -> None:
    data = string.copy()
    data = data.replace({target_col: replace_dict})
    pass

另一个是我建议的：

def replace_string_id(data: pd.DataFrame, target_col: str, rename_dict: dict) -> pd.DataFrame:
    tmp_list = []
    for target, tmp_df in data.groupby(target_col):
        if target in rename_dict.keys():
            tmp_df[target_col] = rename_dict[target]
            tmp_list.append(tmp_df)
        else:
            continue

    return_df = pd.concat(tmp_list)

我试图检查use_replace函数的执行时间，但它需要超过1分钟。
use_replace（string，“protein1”，replace_dict）
并且，replace_string_id函数的执行时间为：

%timeit replace_string_id(string, "protein1", replace_dict)
2.43 s ± 5.77 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

所以，我问了这个问题。为什么pandas replace比在超过100万行中使用字典k，v慢，并且想知道这段代码（replace_string_id）是否有其他问题。
谢谢你的关心。