文章目录
[ Pandas version: 1.0.1 ]
十二、高性能Pandas:eval()与query()
Pandas数据科学生态环境的强大力量建立在NumPy与Pandas的基础上,并通过直观的语法将基本操作转换成C语言:在NumPy里是向量化/广播运算,在Pandas里是分组型的运算。
虽然这些抽象功能可以简洁高效地解决许多问题,但是它们经常需要创建临时中间对象,这样就会占用大量的计算时间与内存。
Pandas从0.13版本开始就引入了实验性工具,让用户可以直接运行C语言速度的操作,不需要十分费力地配置中间数组。它们就是eval()
和query()
函数,都依赖于Numexpr程序包。
(一)query()与eval()的设计动机:复合代数式
NumPy和Pandas快速向量化运算比普通Python循环或列表综合要快很多:
# 对两个数组进行求和
import numpy as np
rng = np.random.RandomState(42)
x = rng.rand(int(1E6))
y = rng.rand(int(1E6))
%timeit x + y
# 3.54 ms ± 172 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
%timeit np.fromiter((xi + yi for xi, yi in zip(x, y)), dtype=x.dtype, count=len(x))
# 470 ms ± 29.5 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
但这种运算在处理复合代数式(compound expression)问题时效率比较低:每段中间过程都需要显式地分配内存。
如果x数组和y数组非常大,运算就会占用大量的时间和内存消耗。
mask = (x > 0.5) & (y < 0.5)
# 由于NumPy会计算每一个代数子式,计算过程等价于:
# tmp1 = (x > 0.5)
# tmp2 = (y < 0.5)
# mask = tmp1 & tmp2
Numexpr程序包可以在不为中间过程分配全部内存的前提下,完成元素到元素的复合代数式运算(用一个NumPy风格的字符串代数式进行运算)
- 优点:Numexpr在计算代数式时不需要为临时数组分配全部内存,因此计算比NumPy更高效,尤其适用处理大型数组
- Pandas的
eval()
和query()
工具也是基于Numexpr实现的
import numexpr
mask_numexpr = numexpr.evaluate('(x > 0.5) & (y < 0.5)')
np.allclose(mask, mask_numexpr)
# True
(二)用pandas.eval()实现高性能运算
Pandas的eval()
函数用字符串代数式实现了DataFrame的高性能运算:
import pandas as pd
nrows, ncols = 100000, 100
rng = np.random.RandomState(42)
df1, df2, df3, df4 = (pd.DataFrame(rng.rand(nrows, ncols))