标签:帮助 barplot png boxplot 测试用例 port blog method map
一文带你掌握常见的Pandas性能优化方法,让你的pandas飞起来!“
阅读本文大概需要4.5分钟
”
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!
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。
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:
1import pandas as pd
2#读取csv
3df = pd.read_csv(‘xxx.csv‘)
4
5#pkl格式
6df.to_pickle(‘xxx.pkl‘) #格式另存
7df = pd.read_pickle(‘xxx.pkl‘) #读取
8
9#hdf格式
10df.to_hdf(‘xxx.hdf‘,‘df‘) #格式另存
11df = pd.read_hdf(‘xxx.pkl‘,‘df‘) #读取
在使用 agg 和 transform 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)
可以看到对 agg 方法,使用内置函数时运行效率提升了60%。
对 transform 方法而言,使用内置函数时运行效率提升了两倍。
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:
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:
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。
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())
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/stable/user_guide/enhancingperf.html
2、https://realpython.com/fast-flexible-pandas/
3、https://www.cnblogs.com/wkang/p/9794678.html
原创不易,如果觉得有点用,希望可以随手转发或者 ”在看“ ,拜谢各位老铁。
猜您喜欢
往期精选▼
关注我们
1529321439513643.jpg
公众号:Python读财
一个记录成长的公众号
一文带你掌握常见的Pandas性能优化方法,让你的pandas飞起来!
标签:帮助 barplot png boxplot 测试用例 port blog method map
原文地址:https://blog.51cto.com/14915204/2525941