python遍历data、并输出结果_Python Pandas 遍历DataFrame的正确姿势 速度提升一万倍...

最近做科研时经常需要遍历整个DataFrame，进行各种列操作，例如把某列的值全部转成pd.Timestamp格式或者将某两列的值进行element-wise运算之类的。大数据的数据量随便都是百万条起跳，如果只用for循环慢慢撸，不仅浪费时间也没效率。在一番Google和摸索后我找到了遍历DataFrame的至少8种方式，其中最快的和最慢的可以相差12000倍！

本文以相加和相乘两种操作为例，测试8种方法的运行速度，并附上示范代码。

测试环境

Macbook Pro Retina with TouchBar (13inch, 2018) i5 8GB 512GB

OS: macOS Catalina 10.5.2

Python 3.7.5 (default, Nov 1 2019, 02:16:23)

[Clang 11.0.0 (clang-1100.0.33.8)] on darwin

示范用数据

本来想造100万笔的，但是100万笔跑%timeit要跑很久，最后造了3000笔，己经足以体现运行速度差异。为了避免快取影响，每个子实验进行前都会用这个代码重造数据。

import pandas as pd

import numpy as np

# 生成樣例數據

def gen_sample():

aaa = np.random.uniform(1,1000,3000)

bbb = np.random.uniform(1,1000,3000)

ccc = np.random.uniform(1,1000,3000)

ddd = np.random.uniform(1,1000,3000)

return pd.DataFrame({'aaa':aaa,'bbb':bbb, 'ccc': ccc, 'ddd': ddd, 'eee': None})aaa、bbb是本文要操作的对象；ccc、ddd不会被操作到，只是要增大数据框的大小，模拟读入整个数据框和只读取aaa、bbb两列的速度差别；eee用来存放结果

实验1 - 两列元素相加

# aaa + bbb

# python 循環 + iloc 定位

def method0_sum(DF):

for i in range(len(DF)):

DF.iloc[i,4] = DF.iloc[i,0] + DF.iloc[i,1]

# python 循環 + iat 定位

def method1_sum(DF):

for i in range(len(DF)):

DF.iat[i,4] = DF.iat[i,0] + DF.iat[i,1]

# pandas.DataFrame.iterrows() 迭代器

def method2_sum(DF):

for index, rows in DF.iterrows():

rows['eee'] = rows['aaa'] + rows['bbb']

# pandas.DataFrame.apply 迭代

def method3_sum(DF):

DF['eee'] = DF.apply(lambda x: x.aaa