Pandas在數(shù)據(jù)科學(xué)領(lǐng)域無需介紹，它提供高性能，易于使用的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)分析工具。但是，在處理過多的數(shù)據(jù)時，單核上的Pandas就顯得心有余而力不足了，大家不得不求助于不同的分布式系統(tǒng)來提高性能。然而，提高性能的權(quán)衡常常伴隨著陡峭的學(xué)習(xí)曲線。

而大家都在盡可能地避免這種懸崖峭壁，結(jié)果可想而知，都轉(zhuǎn)向了如何避免編寫pandas代碼。

[[311697]]

在過去4年里，筆者一直使用pandas作為數(shù)據(jù)分析的主要工具。必須承認(rèn)，“如何避免編寫pandas代碼”的大部分內(nèi)容來自于使用pandas編程的起步階段。在進(jìn)行代碼審閱時，筆者仍然看到許多經(jīng)驗(yàn)豐富的程序員在看一些熱門“如何避免使用”的帖子。

在本文中，筆者首先展示了一個“如何避免”的例子，然后展示了一個正確的“如何使用”pandas來計(jì)算統(tǒng)計(jì)數(shù)據(jù)的方法。改進(jìn)后，代碼更簡潔、易讀，執(zhí)行更快。報告時間的格式為： 831 ms ± 25.7 ms per loop，即平均831毫秒，標(biāo)準(zhǔn)偏差為25.7毫秒。每個代碼示例執(zhí)行多次，以計(jì)算準(zhǔn)確的執(zhí)行時間。

和往常一樣，可以下載 JupyterNotebook并在電腦上試運(yùn)行。

開始pandas游戲之旅，請閱讀如下資源：

• 5個鮮為人知的pandas技巧
• 使用pandas進(jìn)行探索性數(shù)據(jù)分析

[[311698]]

來源：Pexels

設(shè)置

from platform importpython_versionimport numpy as np 
import pandas as pdnp.random.seed(42) # set the seed tomake examples repeatable 

樣本數(shù)據(jù)集

樣本數(shù)據(jù)集包含各個城市的預(yù)訂信息，是隨機(jī)的，唯一目的是展示樣本。

數(shù)據(jù)集有三列：

• id表示唯一的標(biāo)識
• city表示預(yù)定的城市信息
• booked perc表示特定時間預(yù)定的百分比

數(shù)據(jù)集有一萬條，這使速度改進(jìn)更加明顯。注意，如果代碼以正確的pandas方式編寫，pandas可以利用DataFrames計(jì)算數(shù)百萬(甚至數(shù)十億)行的統(tǒng)計(jì)數(shù)據(jù)。

size = 10000cities =["paris", "barcelona", "berlin", "newyork"]df = pd.DataFrame( 
    {"city": np.random.choice(cities,sizesize=size), "booked_perc": np.random.rand(size)} 
) 
df["id"] = df.index.map(str) +"-" + df.city 
dfdf = df[["id", "city", "booked_perc"]] 
df.head() 

1. 如何避免對數(shù)據(jù)求和

[[311699]]

翻滾的熊貓/Reddit

來自Java世界的靈感，把“多行for循環(huán)”應(yīng)用到了Python。

計(jì)算booked perc列的總和，把百分比加起來毫無意義，但無論如何，一起來試試吧，實(shí)踐出真知。

%%timeitsuma = 0 
for _, row in df.iterrows(): 
    suma += row.booked_perc766ms ± 20.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each) 

更符合Python風(fēng)格的方式來對列求和如下：

%%timeitsum(booked_perc forbooked_perc in df.booked_perc)989 µs ± 18.5 µs per loop (mean ±std. dev. of 7 runs, 1000 loops each)%%timeitdf.booked_perc.sum()92µs ± 2.21 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each) 

正如預(yù)期的那樣，第一個示例是最慢的——對一萬項(xiàng)求和幾乎需要1秒。第二個例子的速度之快令人驚訝。

正確的方法是使用pandas對數(shù)據(jù)進(jìn)行求和(或?qū)α惺褂萌魏纹渌僮?，這是第三個示例——也是最快的!

2. 如何避免過濾數(shù)據(jù)

[[311700]]

玩耍的熊貓/Giphy

盡管在使用pandas之前，筆者已經(jīng)很熟悉numpy，并使用for循環(huán)來過濾數(shù)據(jù)。求和時，還是可以觀察到性能上的差異。

%%timeitsuma = 0 
for _, row in df.iterrows(): 
    if row.booked_perc <=0.5: 
        suma += row.booked_perc831ms ± 25.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)%%timeitdf[df.booked_perc<= 0.5].booked_perc.sum()724 µs ± 18.8 µs per loop(mean ± std. dev. of 7 runs, 1000 loops each) 

正如預(yù)期的一樣，第二個例子比第一個例子快很多

如果加入更多的過濾器呢?只需把它們添加到括號里：

%%timeitdf[(df.booked_perc <=0.5) & (df.city == 'new york')].booked_perc.sum()1.55ms ± 10.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

3. 如何避免訪問以前的值

[[311701]]

翻滾的熊貓/Giphy

你可能會說：好吧，但是如果需要訪問先前某一列的值呢，還是需要一個for循環(huán)。你錯了!

分別使用和不使用for循環(huán)來計(jì)算一行到另一行百分?jǐn)?shù)的改變

%%timeitfor i inrange(1, len(df)): 
    df.loc[i,"perc_change"] =  (df.loc[i].booked_perc- df.loc[i - 1].booked_perc) / df.loc[i- 1].booked_perc7.02 s ± 24.4 ms per loop (mean ± std. dev. of 7runs, 1 loop each)%%timeitdf["perc_change"] = df.booked_perc.pct_change()586µs ± 17.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) 

同樣，第二個例子比第一個使用for循環(huán)的例子快得多。

pandas有許多函數(shù)可以根據(jù)以前的值計(jì)算統(tǒng)計(jì)數(shù)據(jù)(例如shift函數(shù)對值進(jìn)行移位)。這些函數(shù)接受periods參數(shù)，可以在計(jì)算中包含以前值的數(shù)量。

4. 如何避免使用復(fù)雜的函數(shù)

[[311702]]

來源：墜落的熊貓(國家地理)Giphy

有時需要在DataFrame中使用復(fù)雜函數(shù)(有多個變量的函數(shù))。讓我們將從紐約的booking_perc兩兩相乘，其他設(shè)置為0并且把這列命名為sales_factor。

筆者首先想到的是使用iterrows的for循環(huán)。

%%timeitfor i, row in df.iterrows(): 
    if row.city =='new york': 
        df.loc[i, 'sales_factor'] =row.booked_perc * 2 
    else: 
        df.loc[i, 'sales_factor'] =03.58 s ± 48.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each) 

一個更好的辦法是直接在DataFrame上使用函數(shù)。

%%timeitdef calculate_sales_factor(row): 
    if row.city =='new york': 
        return row.booked_perc* 2 
    return 0df['sales_factor'] =df.apply(calculate_sales_factor, axis=1)165 ms ± 2.48 ms per loop(mean ± std. dev. of 7 runs, 10 loops each) 

最快的方法是使用pandas過濾器直接計(jì)算函數(shù)值。

%%timeit df.loc[df.city== 'new york', 'sales_factor'] = df[df.city == 'newyork'].booked_perc * 2 
df.sales_factor.fillna(0, inplace=True)3.03 ms ± 85.5 µsper loop (mean ± std. dev. of 7 runs, 100 loops each) 

可以看到從第一個例子到最后一個的加速過程。

當(dāng)解決有3個及3個以上變量的函數(shù)時，可以把它分解為多個pandas表達(dá)式。這比運(yùn)用函數(shù)更快。

Eg: f(x, a, b) = (a + b) * x 
df['a_plus_b'] = df['a'] +df['b'] 
df['f'] = df['a_plus_b'] * df['x'] 

5. 如何避免對數(shù)據(jù)進(jìn)行分組

[[311703]]

蹭癢熊貓/Giphy

現(xiàn)在可以看到，在開始使用pandas之前，筆者更多依賴于for循環(huán)。至于對數(shù)據(jù)進(jìn)行分組，如果充分發(fā)揮pandas的優(yōu)勢，可以減少代碼行數(shù)。

要計(jì)算如下數(shù)據(jù)：

• 一個城市的平均sales factor
• 一個城市的首次預(yù)定id

%%timeit avg_by_city = {} 
count_by_city = {} 
first_booking_by_city = {}for i, row in df.iterrows(): 
    city = row.city 
    if city in avg_by_city: 
        avg_by_city[city] += row.sales_factor 
        count_by_city[city] += 1 
    else: 
        avg_by_city[city] = row.sales_factor 
        count_by_city[city] = 1 
        first_booking_by_city[city] =row['id']for city, _ in avg_by_city.items(): 
    avg_by_city[city] /=count_by_city[city]878 ms ± 21.4 ms per loop (mean ± std. dev. of 7 runs, 1 loopeach) 

Pandas有分組操作所以不必在DataFrame上進(jìn)行迭代，pandas的分組操作和SQL的GROUP BY語句一樣的。

%%timeitdf.groupby('city').sales_factor.mean() 
df.groupby('city').sales_factor.count() 
df.groupby('city').id.first()3.05 ms ± 65.3 µs per loop(mean ± std. dev. of 7 runs, 100 loops each)%%timeitdf.groupby("city").agg({"sales_factor":["mean", "count"], "id": "first"})4.5ms ± 131 µs per loop (mean ± std. dev. of 7 runs, 100 loops each) 

驚奇的是，第三個例子不是最快的，但比第二個例子更簡潔。筆者建議，如果需要加速的代碼，請用第二種方法。

[[311704]]

快樂的熊貓/Giphy

最后，小芯的建議是:如果需要使用pandas編寫for循環(huán)，那一定存在一種更好的編寫方式。

會存在一些計(jì)算量很大的函數(shù)，即使上述的優(yōu)化方法也會無效。那么我們就需要使用最后手段：Cython和Numba。

大家一起來試試這些方法吧，一定會有意想不到的收獲~