在进行业界大规模数据处理及特征工程的时候,往往需要对dataframe进行处理。而处理方式一般人会选择用apply的方式。
apply方式进行了一些底层的优化,相比直接对dataframe进行for循环效率高了很多。
但是使用了apply后,依然有很多优化的空间。
方法如下:
Pandas循环提速7万多倍!Python数据分析攻略
文中提到了一种用numpy进行优化的方法,但是当你真正执行的时候你会发现其具体实施过程解释的并不清楚。
至于为什么采用numpy会对pandas的循环有如此明显的效果优化,stack overflow给出了解释。
那么了解numpy的优势之后,为优化代码,则需要将之前的方法替换成numpy的方式。这里我们以一个维度(16307, 20)的dataframe进行说明。目前涉及到优化方式的主要有以下三种:
1.直接进行values维度计算
利用timeit监测两种方式的运行时间
%%
567 µs ± 32 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
%%
221 µs ± 19 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
在当前数据量并不大的情况下,速度只提升了一倍,如果在生产中使用values值进行计算的话优化效果更好。
2.利用np.vectorize代替apply
这里我们对上面计算的结果进行向上取整,采用两种方式对比,并用timeit监测运行时间。
%%
243 ms ± 16.8 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
def
4.05 ms ± 162 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
可见采用np.vectorize方式,时间缩短了近60倍。
3.利用np.where代替apply
np.where类似于if…else语句,主要是用来进行条件判定和数据筛选。
%%
269 ms ± 31.8 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%%
1.59 ms ± 196 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
可见,np.where方式时间缩短了近170倍。
以上是最近工程中遇到的主要优化方式。