python神器pandas_Python中的神器Pandas，但是有人说Pandas慢...

最新推荐文章于 2023-12-15 09:47:40 发布

weixin_39732534

最新推荐文章于 2023-12-15 09:47:40 发布

阅读量245

点赞数

文章标签： python神器pandas

事实上，使用姿势正确的话，Pandas确实很快。

在使用Pandas时，使用纯“python”式代码并不是最效率的选择。和NumPy一样，Pandas专为向量化操作而设计，它可在一次扫描中完成对整列或者数据集的操作。而单独处理每个单元格或某一行这种遍历的行为，应该作为备用选择。

本教程

先说明下，本教程不是引导如何过度优化Pandas代码。因为Pandas在正确的使用下已经很快了。此外，优化代码和编写清晰的代码之间的差异是巨大的。

这是一篇关于“如何充分利用Pandas内置的强大且易于上手的特性”的指引。此外，你将学习到一些实用的节省时间的技巧。在这篇教程中，你将学习到：

· 使用datetime时间序列数据的优势

· 处理批量计算更效率的方法

· 利用HDFStore节省时间

在本文中，耗电量时间序列数据将被用于演示本主题。加载数据后，我们将逐步了解更有效率的方法取得最终结果。对于Pandas用户而言，会有多种方法预处理数据。但是这不意味着所有方法都适用于更大、更复杂的数据集。

任务

本例使用能源消耗的时间序列数据计算一年能源的总成本。由于不同时间段的电价不同，因此需要将各时段的耗电量乘上对应时段的电价。

从CSV文件中可以读取到两列数据：日期时间和电力消耗(千瓦)

每行数据中都包含每小时耗电量数据，因此整年会产生8760(356×24)行数据。每行的小时数据表示计算的开始时间，因此1/1/13 0：00的数据指1月1号第1个小时的耗电量数据。

用Datetime类节省时间

首先用Pandas的一个I/O函数读取CSV文件：

>>> import pandas as pd

>>> pd.__version_ _

'0.23.1'

>>> df = pd.read_csv( '文件路径')

>>> df.head()

date_time energy_kwh

01/ 1/ 130:000. 586

11/ 1/ 131:000. 580

21/ 1/ 132:000. 572

31/ 1/ 133:000. 596

41/ 1/ 134:000. 592

这结果看上去挺好，但是有个小问题。Pandas 和NumPy有个数据类型dtypes概念。假如不指定参数的话，date_time这列将会被归为默认类object：

>>> df.dtypes

date_time object

energy_kwh float64

dtype:object

>>> type(df.iat[ 0, 0])

str

默认类object不仅是str类的容器，而且不能齐整的适用于某一种数据类型。字符串str类型的日期在数据处理中是非常低效的，同时内存效率也是低下的。

为了处理时间序列数据，需要将date_time列格式化为datetime类的数组，Pandas 称这种数据类型为时间戳Timestamp。用Pandas进行格式化相当简单：

>>> df[ 'date_time'] = pd.to_datetime(df[ 'date_time'])

>>> df[ 'date_time'].dtype

datetime64[ns]

至此，新的df和CSV file内容基本一样。它有两列和一个索引。

>>> df.head()

date_timeenergy_kwh

0 2013 -01-0100 :00:000 .586

1 2013 -01-0101 :00:000 .580

2 2013 -01-0102 :00:000 .572

3 2013 -01-0103 :00:000 .596

4 2013 -01-0104 :00:000 .592

上述代码简单且易懂，但是有执行速度如何呢？这里我们使用了timing装饰器，这里将装饰器称为@timeit。这个装饰器模仿了Python标准库中的timeit.repeat()方法，但是它可以返回函数的结果，并且打印多次重复调试的平均运行时间。Python的timeit.repeat() 只返回调试时间结果，但不返回函数结果。

将装饰器@timeit放在函数上方，每次运行函数时可以同时打印该函数的运行时间。

>>> @timeit(repeat= 3, number= 10)

... defconvert(df, column_name):

... returnpd.to_datetime(df[column_name])

>>> # Read in again so that we have `object` dtype to start

>>> df[ 'date_time'] = convert(df, 'date_time')

Best of 3trials with 10function calls per trial:

Function `convert`ran inaverage of 1.610seconds.

看结果如何？处理8760行数据耗时1.6秒。这似乎没啥毛病。但是当处理更大的数据集时，比如计算更高频的电费数据，给出每分钟的电费数据去计算一整年的总成本。数据量会比现在多60倍，这意味着你需要大约90秒去等待输出的结果。这就有点忍不了了。

实际上，作者工作中需要分析330个站点过去10年的每小时电力数据。按上边的方法，需要88分钟完成时间列的格式化转换。

有更快的方法吗？一般来说，Pandas可以更快的转换你的数据。在本例中，使用格式参数将csv文件中特定的时间格式传入Pandas的to_datetime中，可以大幅的提升处理效率。

>>> @timeit(repeat= 3, number= 100)

>>> defconvert_with_format(df, column_name):

... return pd.to_datetime(df[column_name],

... format= '%d/%m/%y %H:%M')

Best of 3trials with 100function calls per trial:

Function `convert_with_format`ran inaverage of 0. 032seconds.

新的结果如何？0.032秒，速度提升了50倍！所以之前330站点的数据处理时间节省了86分钟。

一个需要注意的细节是CSV中的时间格式不是ISO 8601格式：YYYY-mm-dd HH：MM。如果没有指定格式，Pandas将使用dateuil包将每个字符串格式的日期格式化。相反，如果原始的时间格式已经是ISO 8601格式了，Pandas可以快速的解析日期。

遍历

日期时间已经完成格式化，现在准备开始计算电费了。由于每个时段的电价不同，因此需要将对应的电价映射到各个时段。此例中，电价收费标准如下：

如果电价全天统一价28美分每千瓦每小时，大多数人都知道可以一行代码实现电费的计算：

>>> df[ 'cost_cents'] = df[ 'energy_kwh'] * 28

这行代码将创建一行新列，该列包含当前时段的电费：

date_timeenergy_kwhcost_cents

0 2013 -01-0100 :00:000 .58616 .408

1 2013 -01-0101 :00:000 .58016 .240

2 2013 -01-0102 :00:000 .57216 .016

3 2013 -01-0103 :00:000 .59616 .688

4 2013 -01-0104 :00:000 .59216 .576

# ...

但是电费的计算取决于不用的时段对应的电价。这里许多人会用非Pandas式的方式：用遍历去完成这类计算。

在本文中，将从最基础的解决方案开始介绍，并逐步提供充分利用Pandas性能优势的Python式解决方案。

但是对于Pandas库来说，什么是Python式方案？这里是指相比其他友好性较差的语言如C++或者Java，它们已经习惯了“运用遍历”去编程。

如果不熟悉Pandas，大多数人会像以前一样使用继续遍历方法。这里继续使用@timeit装饰器来看看这种方法的效率。

首先，创建一个不同时段电价的函数：

defapply_tariff(kwh, hour):

"""电价函数"""

if0<= hour < 7:

rate = 12

elif7<= hour < 17:

rate = 20

elif17<= hour < 24:

rate = 28

else:

raiseValueError( f'Invalid hour: {hour}')

returnrate * kwh

如下代码就是一种常见的遍历模式：

>>> # 注意：不要尝试该函数！

>>> @timeit( repeat= 3, number= 100)

...def apply_tariff_loop(df):

..."""用遍历计算成本，将结果并入到df中"""

...energy_cost_list = []

...fori inrange(len(df)):

...# 获取每个小时的耗电量

...energy_used = df.iloc[i][ 'energy_kwh']

...hour = df.iloc[i][ 'date_time'].hour

...energy_cost = apply_tariff(energy_used, hour)

...energy_cost_list.append(energy_cost)

...df[ 'cost_cents'] = energy_cost_list

...

>>> apply_tariff_loop(df)

Best of 3trials with 100functioncalls per trial:

Function `apply_tariff_loop` ran inaverage of 3.152seconds.

对于没有用过Pandas的Python用户来说，这种遍历很正常：对于每个x，再给定条件y下，输出z。

但是这种遍历很笨重。可以将上述例子视为Pandas用法的“反面案例”，原因如下几个。

首先，它需要初始化一个列表用于存储输出结果。

其次，它用了隐晦难懂的类range(0, len(df))去做循环，接着在应用apply_tariff()函数后，还必须将结果增加到列表中用于生成新的DataFrame列。

最后，它还使用链式索引df.iloc[i]['date_time']，这可能会生产出很多bugs。

这种遍历方式最大的问题在于计算的时间成本。对于8760行数据，花了3秒钟完成遍历。下面，来看看一些基于Pandas数据结构的迭代方案。

用.itertuples()和.iterrow()遍历

还有其他办法吗？

Pandas实际上通过引入DataFrame.itertuples()和DataFrame.iterrows()方法使得for i in range(len(df))语法冗余。这两种都是产生一次一行的生成器方法。

.itertuples()为每行生成一个nametuple类，行的索引值作为nametuple类的第一个元素。nametuple是来自Python的collections模块的数据结构，该结构和Python中的元组类似，但是可以通过属性查找可访问字段。

.iterrows()为DataFrame的每行生成一组由索引和序列组成的元组。

与.iterrows()相比，.itertuples()运行速度会更快一些。本例中使用了.iterrows()方法，因为很多读者很可能没有用过nametuple。

>>> @timeit( repeat= 3, number= 100)

...def apply_tariff_iterrows(df):

...energy_cost_list = []

...forindex, row indf.iterrows():

...#获取每个小时的耗电量

...energy_used = row[ 'energy_kwh']

...hour = row[ 'date_time'].hour

...# 增加成本数据到list列表

...energy_cost = apply_tariff(energy_used, hour)

...energy_cost_list.append(energy_cost)

...df[ 'cost_cents'] = energy_cost_list

...

>>> apply_tariff_iterrows(df)

Best of 3trials with 100functioncalls per trial:

Function `apply_tariff_iterrows` ran inaverage of 0.713seconds.

取得一些不错的进步。语法更清晰，少了行值i的引用，整体更具有可读性了。在时间收益方面，几乎快了5倍！

但是，仍然有很大的改进空间。由于仍然在使用for遍历，意味着每循环一次都需要调用一次函数，而这些本可以在速度更快的Pandas内置架构中完成。

Pandas的.apply()

可以用.apply()方法替代.iterrows()方法提升效率。Pandas的.apply()方法可以传入可调用的函数并且应用于DataFrame的轴上，即所有行或列。此例中，借助lambda功能将两列数据传入apply_tariff()：

>>> @timeit(repeat= 3, number= 100)

... defapply_tariff_withapply(df):

... df[ 'cost_cents'] = df.apply(

... lambda row:apply_tariff(

... kwh=row[ 'energy_kwh'],

... hour=row[ 'date_time'].hour),

... axis= 1)

...

>>> apply_tariff_withapply(df)

Best of 3trials with 100function calls per trial:

Function `apply_tariff_withapply`ran inaverage of 0. 272seconds.

.apply()的语法优势很明显，代码行数少了，同时代码也更易读了。运行速度方面，这与.iterrows()方法相比节省了大约一半时间。

但是，这还不够快。一个原因是.apply()内部尝试在Cython迭代器上完成循环。但是在这种情况下，lambda中传递了一些无法在Cython中处理的输入，因此调用.apply()时仍然不够快。

如果使用.apply()在330个站点的10年数据上，这大概得花15分钟的处理时间。假如这个计算仅仅是一个大型模型的一小部分，那么还需要更多的提升。下面的向量化操作可以做到这点。

用.isin()筛选数据

之前看到的如果只有单一电价，可以将所有电力消耗数据乘以该价格df['energy_kwh'] * 28。这种操作就是一种向量化操作的一个用例，这是Pandas中最快的方式。

但是，在Pandas中如何将有条件的计算应用在向量化操作中呢？一种方法是，根据条件将DataFrame进行筛选并分组和切片，然后对每组数据进行对应的向量化操作。

在下面的例子中，将展示如何使用Pandas中的.isin()方法筛选行，然后用向量化操作计算对应的电费。在此操作前，将date_time列设置为DataFrame索引便于向量化操作：

df.set_index( 'date_time', inplace= True)

@timeit(repeat=3, number=100)

defapply_tariff_isin(df):

# 定义每个时段的布尔型数组(Boolean)

peak_hours = df.index.hour.isin(range( 17, 24))

shoulder_hours = df.index.hour.isin(range( 7, 17))

off_peak_hours = df.index.hour.isin(range( 0, 7))

# 计算不同时段的电费

df.loc[peak_hours, 'cost_cents'] = df.loc[peak_hours, 'energy_kwh'] * 28

df.loc[shoulder_hours, 'cost_cents'] = df.loc[shoulder_hours, 'energy_kwh'] * 20

df.loc[off_peak_hours, 'cost_cents'] = df.loc[off_peak_hours, 'energy_kwh'] * 12

执行结果如下：

>>> apply_tariff_isin(df)

Best of3trials with100functioncalls per trial:

Function`apply_tariff_isin` ran inaverage of0.010seconds.

要理解这段代码，也许需要先了解.isin()方法返回的是布尔值，如下：

[False, False, False, ..., True, True, True]

这些布尔值标记了DataFrame日期时间索引所在的时段。然后，将这些布尔值数组传给DataFrame的.loc索引器时，会返回一个仅包含该时段的DataFrame切片。最后，将该切片数组乘以对应的时段的费率即可。

这与之前的遍历方法相比如何？

首先，不需要apply_tariff()函数了，因为所有的条件逻辑都被应用在了被选中的行。这大大减少了代码的行数。在速度方面，比普通的遍历快了315倍，比.iterrows()方法快了71倍，且比.apply()方法快了27倍。现在可以快速的处理大数据集了。

还有提升空间吗？

在apply_tariff_isin()中，需要手动调用三次df.loc和df.index.hour.isin()。比如24小时每个小时的费率不同，这意味着需要手动调用24次.isin()方法，所以这种方案通常不具有扩展性。幸运的是，还可以使用Pandas的pd.cut()功能：

@timeit(repeat=3, number=100)

defapply_tariff_cut(df):

cents_per_kwh = pd.cut(x=df.index.hour,

bins=[ 0, 7, 17, 24],

include_lowest= True,

labels=[ 12, 20, 28]).astype(int)

df[ 'cost_cents'] = cents_per_kwh * df[ 'energy_kwh']

pd.cut()根据分组bins产生的区间生成对应的标签“费率”。

【注】include_lowest参数设定第一个间隔是否包含在组bins中，例如想要在该组中包含时间在0时点的数据。

这是种完全向量化的操作，它的执行速度已经起飞了：

>>> apply_tariff_cut(df)

Best of3trials with100functioncalls per trial:

Function`apply_tariff_cut` ran inaverage of0.003seconds.

至此，现在可以将330个站点的数据处理时间从88分钟缩小到只需不到1秒。但是，还有最后一个选择，就是使用NumPy库来操作DataFrame下的每个NumPy数组，然后将处理结果集成回DataFrame数据结构中。

还有NumPy！

别忘了Pandas的Series和DataFrame是在NumPy库的基础上设计的。这提供了更多的灵活性，因为Pandas和NumPy数组可以无缝操作。

在下一例中，将演示NumPy的digitize()功能。它和Pandas的cut()功能类似，将数据分组。本例中将DataFrame中的索引(日期时间)进行分组，将三个时段分入三组。然后将分组后的电力消耗数组应用在电价数组上：

@timeit(repeat=3, number=100)

defapply_tariff_digitize(df):

prices = np.array([ 12, 20, 28])

bins = np.digitize(df.index.hour.values, bins=[ 7, 17, 24])

df[ 'cost_cents'] = prices[bins] * df[ 'energy_kwh'].values

和cut()一样，语法简单易读。但是速度如何呢？

>>> apply_tariff_digitize(df)

Best of3trials with100functioncalls per trial:

Function`apply_tariff_digitize` ran inaverage of0.002seconds.

执行速度上，仍然有提升，但是这种提升已经意义不大了。不如将更多精力去思考其他的事情。

Pandas可以提供很多批量处理数据方法的备用选项，这些已经在上边都一一演示过了。这里将最快到最慢的方法排序如下：

1. 使用向量化操作：没有for遍历的Pandas方法和函数。

2. 使用.apply()方法。

3. 使用.itertuples()：将DataFrame行作为nametuple类从Python的collections模块中进行迭代。

4. 使用.iterrows()：将DataFrame行作为(index，pd.Series)元组数组进行迭代。虽然Pandas的Series是一种灵活的数据结构，但将每一行生成一个Series并且访问它，仍然是一个比较大的开销。

5. 对逐个元素进行循环，使用df.loc或者df.iloc对每个单元格或者行进行处理。

以下是本文中所有函数的调试时间汇总：

用HDFstore存储预处理数据

已经了解了用Pandas快速处理数据，现在我们需要探讨如何避免重复的数据处理过程。这里使用了Pandas内置的HDFStore方法。

通常在建立一些复杂的数据模型时，对数据做一些预处理是很常见的。例如，假如有10年时间跨度的分钟级的高频数据，但是模型只需要20分钟频次的数据或者其他低频次数据。你不希望每次测试分析模型时都需要预处理数据。

一种方案是，将已经完成预处理的数据存储在已处理数据表中，方便需要时随时调用。但是如何以正确的格式存储数据？如果将预处理数据另存为CSV，那么会丢失datetime类，再次读入时必须重新转换格式。

Pandas有个内置的解决方案，它使用HDF5，这是一种专门用于存储数组的高性能存储格式。Pandas的HDFstore方法可以将DataFrame存储在HDF5文件中，可以有效读写，同时仍然保留DataFrame各列的数据类型和其他元数据。它是一个类似字典的类，因此可以像Python中的dict类一样读写。

以下是将已经预处理的耗电量DataFrame写入HDF5文件的方法：

# 创建存储类文件并命名 `processed_data`

data_store= pd.HDFStore( 'processed_data.h5')

#将DataFrame写入存储文件中，并设置键(key) 'preprocessed_df'

data_store[ 'preprocessed_df'] = df

data_store.close()

将数据存储在硬盘以后，可以随时随地调取预处理数据，不再需要重复加工。以下是关于如何从HDF5文件中访问数据的方法，同时保留了数据预处理时的数据类型：

# 访问数据仓库

data_store = pd.HDFStore('processed_data.h5')

# 读取键(key)为'preprocessed_df'的DataFrame

preprocessed_df = data_store['preprocessed_df']

data_store.close()