Pandas在数据科学领域无需介绍，它提供高性能，易于使用的数据结构和数据分析工具。但是，在处理过多的数据时，单核上的Pandas就显得心有余而力不足了，大家不得不求助于不同的分布式系统来提高性能。然而，提高性能的权衡常常伴随着陡峭的学习曲线。
而大家都在尽可能地避免这种悬崖峭壁，结果可想而知，都转向了如何避免编写pandas代码。
在过去4年里，笔者一直使用pandas作为数据分析的主要工具。必须承认，“如何避免编写pandas代码”的大部分内容来自于使用pandas编程的起步阶段。在进行代码审阅时，笔者仍然看到许多经验丰富的程序员在看一些热门“如何避免使用”的帖子。
在本文中，笔者首先展示了一个“如何避免”的例子，然后展示了一个正确的“如何使用”pandas来计算统计数据的方法。改进后，代码更简洁、易读，执行更快。报告时间的格式为： 831 ms ± 25.7 ms per loop，即平均831毫秒，标准偏差为25.7毫秒。每个代码示例执行多次，以计算准确的执行时间。
和往常一样，可以下载 JupyterNotebook并在电脑上试运行。
开始pandas游戏之旅，请阅读如下资源：
- 5个鲜为人知的pandas技巧
- 使用pandas进行探索性数据分析
来源：Pexels
设置
- from platform importpython_versionimport numpy as np
- import pandas as pdnp.random.seed(42) # set the seed tomake examples repeatable
样本数据集
样本数据集包含各个城市的预订信息，是随机的，唯一目的是展示样本。
数据集有三列：
- id表示唯一的标识
- city表示预定的城市信息
- booked perc表示特定时间预定的百分比
数据集有一万条，这使速度改进更加明显。注意，如果代码以正确的pandas方式编写，pandas可以利用DataFrames计算数百万(甚至数十亿)行的统计数据。
- size = 10000cities =["paris", "barcelona", "berlin", "newyork"]df = pd.DataFrame(
- {"city": np.random.choice(cities,sizesize=size), "booked_perc": np.random.rand(size)}
- )
- df["id"] = df.index.map(str) +"-" + df.city
- dfdf = df[["id", "city", "booked_perc"]]
- df.head()
1. 如何避免对数据求和
翻滚的熊猫/Reddit
来自Java世界的灵感，把“多行for循环”应用到了Python。
计算booked perc列的总和，把百分比加起来毫无意义，但无论如何，一起来试试吧，实践出真知。
- %%timeitsuma = 0
- for _, row in df.iterrows():
- suma += row.booked_perc766ms ± 20.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
更符合Python风格的方式来对列求和如下：
- %%timeitsum(booked_perc forbooked_perc in df.booked_perc)989 µs ± 18.5 µs per loop (mean ±std. dev. of 7 runs, 1000 loops each)%%timeitdf.booked_perc.sum()92µs ± 2.21 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)
正如预期的那样，第一个示例是最慢的——对一万项求和几乎需要1秒。第二个例子的速度之快令人惊讶。
正确的方法是使用pandas对数据进行求和(或对列使用任何其他操作)，这是第三个示例——也是最快的!
2. 如何避免过滤数据
玩耍的熊猫/Giphy
尽管在使用pandas之前，笔者已经很熟悉numpy，并使用for循环来过滤数据。求和时，还是可以观察到性能上的差异。
- %%timeitsuma = 0
- for _, row in df.iterrows():
- if row.booked_perc <=0.5:
- suma += row.booked_perc831ms ± 25.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)%%timeitdf[df.booked_perc<= 0.5].booked_perc.sum()724 µs ± 18.8 µs per loop(mean ± std. dev. of 7 runs, 1000 loops each)
正如预期的一样，第二个例子比第一个例子快很多
如果加入更多的过滤器呢?只需把它们添加到括号里：
- %%timeitdf[(df.booked_perc <=0.5) & (df.city == 'new york')].booked_perc.sum()1.55ms ± 10.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
3. 如何避免访问以前的值
翻滚的熊猫/Giphy
你可能会说：好吧，但是如果需要访问先前某一列的值呢，还是需要一个for循环。你错了!
分别使用和不使用for循环来计算一行到另一行百分数的改变
- %%timeitfor i inrange(1, len(df)):
- df.loc[i,"perc_change"] = (df.loc[i].booked_perc- df.loc[i - 1].booked_perc) / df.loc[i- 1].booked_perc7.02 s ± 24.4 ms per loop (mean ± std. dev. of 7runs, 1 loop each)%%timeitdf["perc_change"] = df.booked_perc.pct_change()586µs ± 17.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
同样，第二个例子比第一个使用for循环的例子快得多。
pandas有许多函数可以根据以前的值计算统计数据(例如shift函数对值进行移位)。这些函数接受periods参数，可以在计算中包含以前值的数量。
4. 如何避免使用复杂的函数
来源：坠落的熊猫(国家地理)Giphy
有时需要在DataFrame中使用复杂函数(有多个变量的函数)。让我们将从纽约的booking_perc两两相乘，其他设置为0并且把这列命名为sales_factor。
笔者首先想到的是使用iterrows的for循环。
- %%timeitfor i, row in df.iterrows():
- if row.city =='new york':
- df.loc[i, 'sales_factor'] =row.booked_perc * 2
- else:
- df.loc[i, 'sales_factor'] =03.58 s ± 48.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
一个更好的办法是直接在DataFrame上使用函数。
- %%timeitdef calculate_sales_factor(row):
- if row.city =='new york':
- return row.booked_perc* 2
- return 0df['sales_factor'] =df.apply(calculate_sales_factor, axis=1)165 ms ± 2.48 ms per loop(mean ± std. dev. of 7 runs, 10 loops each)
最快的方法是使用pandas过滤器直接计算函数值。
- %%timeit df.loc[df.city== 'new york', 'sales_factor'] = df[df.city == 'newyork'].booked_perc * 2
- df.sales_factor.fillna(0, inplace=True)3.03 ms ± 85.5 µsper loop (mean ± std. dev. of 7 runs, 100 loops each)
可以看到从第一个例子到最后一个的加速过程。
当解决有3个及3个以上变量的函数时，可以把它分解为多个pandas表达式。这比运用函数更快。
- Eg: f(x, a, b) = (a + b) * x
- df['a_plus_b'] = df['a'] +df['b']
- df['f'] = df['a_plus_b'] * df['x']
5. 如何避免对数据进行分组
蹭痒熊猫/Giphy
现在可以看到，在开始使用pandas之前，笔者更多依赖于for循环。至于对数据进行分组，如果充分发挥pandas的优势，可以减少代码行数。
要计算如下数据：
- 一个城市的平均sales factor
- 一个城市的首次预定id
- %%timeit avg_by_city = {}
- count_by_city = {}
- first_booking_by_city = {}for i, row in df.iterrows():
- city = row.city
- if city in avg_by_city:
- avg_by_city[city] += row.sales_factor
- count_by_city[city] += 1
- else:
- avg_by_city[city] = row.sales_factor
- count_by_city[city] = 1
- first_booking_by_city[city] =row['id']for city, _ in avg_by_city.items():
- avg_by_city[city] /=count_by_city[city]878 ms ± 21.4 ms per loop (mean ± std. dev. of 7 runs, 1 loopeach)
Pandas有分组操作所以不必在DataFrame上进行迭代，pandas的分组操作和SQL的GROUP BY语句一样的。
- %%timeitdf.groupby('city').sales_factor.mean()
- df.groupby('city').sales_factor.count()
- df.groupby('city').id.first()3.05 ms ± 65.3 µs per loop(mean ± std. dev. of 7 runs, 100 loops each)%%timeitdf.groupby("city").agg({"sales_factor":["mean", "count"], "id": "first"})4.5ms ± 131 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
惊奇的是，第三个例子不是最快的，但比第二个例子更简洁。笔者建议，如果需要加速的代码，请用第二种方法。
快乐的熊猫/Giphy
最后，小芯的建议是:如果需要使用pandas编写for循环，那一定存在一种更好的编写方式。
会存在一些计算量很大的函数，即使上述的优化方法也会无效。那么我们就需要使用最后手段：Cython和Numba。
大家一起来试试这些方法吧，一定会有意想不到的收获~
