一文带你掌握常见的 Pandas 性能优化方法,让你的 pandas 飞起来!

微信公众号:「Python 读数」

如有问题或建议,请公众号留言

Pandas 是 Python 中用于数据处理与分析的屠龙刀,想必大家也都不陌生,但 Pandas 在使用上有一些技巧和需要注意的地方,尤其是对于较大的数据集而言,如果你没有适当地使用,那么可能会导致 Pandas 的运行速度非常慢。

对于程序猿 / 媛而言,时间就是生命,这篇文章给大家总结了一些 pandas 常见的性能优化方法,希望能对你有所帮助!

一、数据读取的优化#

读取数据是进行数据分析前的一个必经环节,pandas 中也内置了许多数据读取的函数,最常见的就是用 pd.read_csv () 函数从 csv 文件读取数据,那不同格式的文件读取起来有什么区别呢?哪种方式速度更快呢?我们做个实验对比一下。

这里采用的数据共 59 万行,分别保存为 xlsx、csv、hdf 以及 pkl 格式,每种格式进行 10 次读取测试,得到下面的结果。

image

可以看到,对同一份数据,pkl 格式的数据的读取速度最快,是读取 csv 格式数据的近 6 倍,其次是 hdf 格式的数据,速度最惨不忍睹的是读取 xlsx 格式的数据(这仅仅是一份只有 15M 左右大小的数据集呀)。

所以对于日常的数据集(大多为 csv 格式),可以先用 pandas 读入,然后将数据转存为 pkl 或者 hdf 格式,之后每次读取数据时候,便可以节省一些时间。代码如下:

 import pandas as pd
 #读取csv
 df = pd.read_csv('xxx.csv')

 #pkl格式
 df.to_pickle('xxx.pkl') #格式另存
 df = pd.read_pickle('xxx.pkl') #读取

 #hdf格式
df.to_hdf('xxx.hdf','df') #格式另存
df = pd.read_hdf('xxx.pkl','df') #读取

二、进行聚合操作时的优化#

在使用 aggtransform 进行操作时,尽量使用 Python 的内置函数,能够提高运行效率。(数据用的还是上面的测试用例)

1、agg+Python 内置函数

image

2、agg + 非内置函数

image
可以看到对 agg 方法,使用内置函数时运行效率提升了 60%。

3、transform+Python 内置函数

image

4、transform + 非内置函数

image

transform 方法而言,使用内置函数时运行效率提升了两倍。

三、对数据进行逐行操作时的优化#

假设我们现在有这样一个电力消耗数据集,以及对应时段的电费价格,如下图所示:

image

image

数据集记录着每小时的电力消耗,如第一行代表 2001 年 1 月 13 日零点消耗了 0.586kwh 的电。不同使用时段的电费价格不一样,我们现在的目的是求出总的电费,那么就需要将对应时段的单位电费 × 消耗电量。下面给出了三种写法,我们分别测试这三种处理方式,对比一下这三种写法有什么不同,代码效率上有什么差异。

#编写求得相应结果的函数
def get_cost(kwh, hour):
    if 0 <= hour < 7:
        rate = 0.6
    elif 7 <= hour < 17:
        rate = 0.68
    elif 17 <= hour < 24:
        rate = 0.75
    else:
        raise ValueError(f'Invalid hour: {hour}')
    return rate * kwh

#方法一:简单循环
def loop(df):
    cost_list = []
    for i in range(len(df)):
        energy_used = df.iloc[i]['energy_kwh']
        hour = df.iloc[i]['date_time'].hour
        energy_cost = get_cost(energy_used, hour)
        cost_list.append(energy_cost)
    df['cost'] = cost_list

#方法二:apply方法
def apply_method(df):
     df['cost'] = df.apply(
         lambda row: get_cost(
             kwh=row['energy_kwh'],
             hour=row['date_time'].hour),
         axis=1)

#方法三:采用isin筛选出各时段,分段处理
df.set_index('date_time', inplace=True)
def isin_method(df):
    peak_hours = df.index.hour.isin(range(17, 24))
    simple_hours = df.index.hour.isin(range(7, 17))
    off_peak_hours = df.index.hour.isin(range(0, 7))

    df.loc[peak_hours, 'cost'] = df.loc[peak_hours, 'energy_kwh'] * 0.75
    df.loc[simple_hours,'cost'] = df.loc[simple_hours, 'energy_kwh'] * 0.68
    df.loc[off_peak_hours,'cost'] = df.loc[off_peak_hours, 'energy_kwh'] * 0.6

测试结果:

image

可以看到,采用 isin() 筛选出对应数据后分开计算的速度是简单循环的近 606 倍,这并不是说 isin() 有多厉害,方法三速度快是因为它采用了向量化的数据处理方式(这里的 isin() 是其中一种方式,还有其他方式,大家可以尝试一下) ,这才是重点。什么意思呢?

这里简单画了个图,大家可以结合这个图和代码好好体会是一个一个处理快,还是把能进行相同操作的分开然后批量处理快。

image

四、使用 numba 进行加#

如果在你的数据处理过程涉及到了大量的数值计算,那么使用 numba 可以大大加快代码的运行效率,numba 使用起来也很简单,下面给大家演示一下。(代码处理不具有实际意义,只是展示一下效果)

首先需要安装 numba 模块

>>>pip install numba

我们用一个简单的例子测试一下 numba 的提速效果

import numba

@numba.vectorize
def f_with_numba(x): 
    return x * 2

def f_without_numba(x): 
    return x * 2

#方法一:apply逐行操作
df["double_energy"] = df.energy_kwh.apply(f_without_numba)

#方法二:向量化运行
df["double_energy"] = df.energy_kwh*2

#方法三:运用numba加速
#需要以numpy数组的形式传入
#否则会报错
df["double_energy"] = f_with_numba(df.energy_kwh.to_numpy())

image

从测试结果来看,再次凸显出向量化处理的优势,同时 numba 对原本速度已经很快的向量化处理也能提高一倍多的效率。更多 numba 的使用方法请参考 numba 的使用文档。

参考资料:

1、https://pandas.pydata.org/pandasdocs/stabl...

2、https://realpython.com/fast-flexible-panda...

3、https://www.cnblogs.com/wkang/p/9794678.ht...

原创不易,如果觉得有点用,希望可以随手点个赞,拜谢各位老铁。

扫码关注公众号「Python 读数」,第一时间获取干货,还可以加 Python 学习交流群!!
picture.png

本作品采用《CC 协议》,转载必须注明作者和本文链接