【pandas】如何百倍加速实现nlargest同样功能

之前在项目中遇到一个需求，提取出每天多笔数据中的最新一笔数据作为当天的数据呈现出来。例如有如下数据：

     date           tile clus   type  col_type   level  value
2019-05-13 10:39:49	 t2	  ME	ALL	  total      csim   1296
2019-05-13 11:21:41	 t2	  ME	ALL	  total	     csim	1051
2019-05-13 13:19:33	 t2   ME	ALL   total      csim	1051
2019-05-13 17:41:30	 t2   CC	ALL   total	     csim	655
2019-05-13 13:49:11	 t2   CC	ALL	  total      csim   415
2019-05-13 21:55:22	 t2   CC	ALL	  total	     csim   955
2019-05-13 08:43:30	 t2   CC	ALL	  total      csim   304
2019-05-13 01:21:12	 t2   CC 	ALL	  total      csim	415

那么应该选出如下两行，作为2019-05-13的最新数据输出给可视化平台。

     date                clus   type  col_type   level  value
2019-05-13 13:19:33	 t2   ME	ALL   total      csim	1051
2019-05-13 21:55:22	 t2   CC	ALL	  total	     csim   955

可是这个筛选怎么实现呢？插入一列只有日期信息的“date_new”，再用上pandas的nlargest方法即可。代码如下：

     date            date_new     tile clus   type   col_type   level  value    
2019-05-13 21:55:22	 2019-05-13   t2   CC	  ALL	  total	     csim   955     
2019-05-13 17:41:30	 2019-05-13   t2   CC	  ALL     total	     csim	655     
2019-05-13 13:49:11	 2019-05-13   t2   CC	  ALL	  total      csim   415     
2019-05-13 13:19:33	 2019-05-13   t2   ME	  ALL     total      csim	1051    
2019-05-13 11:21:41	 2019-05-13   t2   ME	  ALL	  total	     csim	1051    
2019-05-13 10:39:49	 2019-05-13   t2   ME	  ALL	  total      csim   1296    
2019-05-13 08:43:30	 2019-05-13   t2   CC	  ALL	  total      csim   304     
2019-05-13 01:21:12	 2019-05-13   t2   CC 	  ALL	  total      csim	415     

df = df.groupby(["tile", "clus", "type", "col_type", "level"，"date_new"], as_index=False).apply(lambda x: x.nlargest(1, "date"))

这样做确实可以达到目标，但是performance会比较差。测试了一下，在不到30W的数据集上需要两分钟多一些。经过深入思考做了第一次的优化，pandas操作的慢在很大程度上是因为太多的group组合，所以就尝试把原先的dataframe按“level”的字段拆分开，每一部分的df操作完再append在一起。为什么选择level字段，是因为level栏的种类一共只有三种，而其他的种类多。
经过这一改进，速度可以提升20%，runtime降到一分半钟左右，这个结果似乎并不能令人十分满意。如果有两百万行的数据估计还得需要十几分钟，无法忍受。

因此我们能不能换个角度，绕开group分组，哪怕不再用nlargest了？答案是肯定的。我们的目标是要取每一天最新更新的数据，那么就可以先按date进行排序，然后直接忽略“date”一栏，是不是就变成了只需要保留[“date_new”, “tile”, “clus”, “type”, “col_type”, “level”]最先出现的那一行？实现这一操作非常简单，去重即可：

df.sort_values(by="date", ascending=False, inplace=True)
df.drop_duplicates(subset=["date_new", "tile", "clus", "type", "col_type", "level"], keep="first", inplace=True)

运行时间不到两秒，实现了超过100倍的加速。类似的需求，譬如选择每天最早一笔数据的话，设置keep=“last”就好。

利用简单排序后去重的方法变相实现nlargest的功能，达到了我们想要的performance。很多时候，如果对performance不满意，就可以思考下瓶颈在哪里，如何避开这些瓶颈？换个方式实现，也许会有意想不到的效果。