再见for循环!pandas提速315倍~

开发 后端
本次东哥介绍几个常见的提速方法,一个比一个快,了解pandas本质,才能知道如何提速。

 for是所有编程语言的基础语法,初学者为了快速实现功能,依懒性较强。但如果从运算时间性能上考虑可能不是特别好的选择。

本次东哥介绍几个常见的提速方法,一个比一个快,了解pandas本质,才能知道如何提速。

下面是一个例子,数据获取方式见文末。 

>>> import pandas as pd  
# 导入数据集  
>>> df = pd.read_csv('demand_profile.csv')  
>>> df.head()  
     date_time  energy_kwh  
0  1/1/13 0:00       0.586  
1  1/1/13 1:00       0.580  
2  1/1/13 2:00       0.572  
3  1/1/13 3:00       0.596  
4  1/1/13 4:00       0.592 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.

基于上面的数据,我们现在要增加一个新的特征,但这个新的特征是基于一些时间条件生成的,根据时长(小时)而变化,如下:

因此,如果你不知道如何提速,那正常第一想法可能就是用apply方法写一个函数,函数里面写好时间条件的逻辑代码。 

def apply_tariff(kwh, hour):  
    """计算每个小时的电费"""      
    if 0 <= hour < 7:  
        rate = 12  
    elif 7 <= hour < 17:  
        rate = 20  
    elif 17 <= hour < 24:  
        rate = 28  
    else:  
        raise ValueError(f'Invalid hour: {hour}')  
    return rate * kwh 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.

然后使用for循环来遍历df,根据apply函数逻辑添加新的特征,如下: 

>>> # 不赞同这种操作  
>>> @timeit(repeat=3number=100 
... def apply_tariff_loop(df): 
...     """用for循环计算enery cost,并添加到列表"""  
...     energy_cost_list = []  
...     for i in range(len(df)):  
...         # 获取用电量和时间(小时)  
...         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 3 trials with 100 function calls per trial:  
Function `apply_tariff_loop` ran in average of 3.152 seconds. 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.
  • 16.

对于那些写Pythonic风格的人来说,这个设计看起来很自然。然而,这个循环将会严重影响效率。原因有几个:

首先,它需要初始化一个将记录输出的列表。

其次,它使用不透明对象范围(0,len(df))循环,然后再应用apply_tariff()之后,它必须将结果附加到用于创建新DataFrame列的列表中。另外,还使用df.iloc [i]['date_time']执行所谓的链式索引,这通常会导致意外的结果。

这种方法的最大问题是计算的时间成本。对于8760行数据,此循环花费了3秒钟。

接下来,一起看下优化的提速方案。

[[381980]]

使用 iterrows循环

第一种可以通过pandas引入iterrows方法让效率更高。这些都是一次产生一行的生成器方法,类似scrapy中使用的yield用法。

.itertuples为每一行产生一个namedtuple,并且行的索引值作为元组的第一个元素。nametuple是Python的collections模块中的一种数据结构,其行为类似于Python元组,但具有可通过属性查找访问的字段。

.iterrows为DataFrame中的每一行产生(index,series)这样的元组。

在这个例子中使用.iterrows,我们看看这使用iterrows后效果如何。 

>>> @timeit(repeat=3number=100 
... def apply_tariff_iterrows(df):  
...     energy_cost_list = []  
...     for index, row in df.iterrows():  
...         # 获取用电量和时间(小时)  
...         energy_used = row['energy_kwh']  
...         hour = row['date_time'].hour  
...         # 添加cost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 3 trials with 100 function calls per trial:  
Function `apply_tariff_iterrows` ran in average of 0.713 seconds. 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.
  • 13.
  • 14.
  • 15.

这样的语法更明确,并且行值引用中的混乱更少,因此它更具可读性。

时间成本方面:快了近5倍!

但是,还有更多的改进空间,理想情况是可以用pandas内置更快的方法完成。

[[381981]]

pandas的apply方法

我们可以使用.apply方法而不是.iterrows进一步改进此操作。pandas的.apply方法接受函数callables并沿DataFrame的轴(所有行或所有列)应用。下面代码中,lambda函数将两列数据传递给apply_tariff(): 

>>> @timeit(repeat=3number=100 
... def apply_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 3 trials with 100 function calls per trial:  
Function `apply_tariff_withapply` ran in average of 0.272 seconds. 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.

apply的语法优点很明显,行数少,代码可读性高。在这种情况下,所花费的时间大约是iterrows方法的一半。

但是,这还不是“非常快”。一个原因是apply()将在内部尝试循环遍历Cython迭代器。但是在这种情况下,传递的lambda不是可以在Cython中处理的东西,因此它在Python中调用并不是那么快。

如果我们使用apply()方法获取10年的小时数据,那么将需要大约15分钟的处理时间。如果这个计算只是大规模计算的一小部分,那么真的应该提速了。这也就是矢量化操作派上用场的地方。

 

[[381982]]

矢量化操作:使用.isin选择数据

什么是矢量化操作?

如果你不基于一些条件,而是可以在一行代码中将所有电力消耗数据应用于该价格:df ['energy_kwh'] * 28,类似这种。那么这个特定的操作就是矢量化操作的一个例子,它是在pandas中执行的最快方法。

但是如何将条件计算应用为pandas中的矢量化运算?

一个技巧是:根据你的条件,选择和分组DataFrame,然后对每个选定的组应用矢量化操作。

在下面代码中,我们将看到如何使用pandas的.isin()方法选择行,然后在矢量化操作中实现新特征的添加。在执行此操作之前,如果将date_time列设置为DataFrame的索引,会更方便: 

# 将date_time列设置为DataFrame的索引  
df.set_index('date_time', inplace=True 
@timeit(repeat=3number=100 
def apply_tariff_isin(df):  
    # 定义小时范围Boolean数组  
    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)) 
    # 使用上面apply_traffic函数中的定义  
    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 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.
  • 8.
  • 9.
  • 10.
  • 11.
  • 12.

我们来看一下结果如何。 

>>> apply_tariff_isin(df)  
Best of 3 trials with 100 function calls per trial:  
Function `apply_tariff_isin` ran in average of 0.010 seconds. 
  • 1.
  • 2.
  • 3.

提示,上面.isin()方法返回的是一个布尔值数组,如下: 

[False, False, False, ..., True, True, True] 
  • 1.

布尔值标识了DataFrame索引datetimes是否落在了指定的小时范围内。然后把这些布尔数组传递给DataFrame的.loc,将获得一个与这些小时匹配的DataFrame切片。然后再将切片乘以适当的费率,这就是一种快速的矢量化操作了。

上面的方法完全取代了我们最开始自定义的函数apply_tariff(),代码大大减少,同时速度起飞。

运行时间比Pythonic的for循环快315倍,比iterrows快71倍,比apply快27倍!

[[381983]]

还能更快?

太刺激了,我们继续加速。

在上面apply_tariff_isin中,我们通过调用df.loc和df.index.hour.isin三次来进行一些手动调整。如果我们有更精细的时间范围,你可能会说这个解决方案是不可扩展的。但在这种情况下,我们可以使用pandas的pd.cut()函数来自动完成切割: 

@timeit(repeat=3number=100 
def apply_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'] 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.
  • 6.
  • 7.

上面代码pd.cut()会根据bin列表应用分组。

其中include_lowest参数表示第一个间隔是否应该是包含左边的。

这是一种完全矢量化的方法,它在时间方面是最快的: 

>>> apply_tariff_cut(df)  
Best of 3 trials with 100 function calls per trial:  
Function `apply_tariff_cut` ran in average of 0.003 seconds. 
  • 1.
  • 2.
  • 3.

到目前为止,使用pandas处理的时间上基本快达到极限了!只需要花费不到一秒的时间即可处理完整的10年的小时数据集。

但是,最后一个其它选择,就是使用 NumPy,还可以更快!

[[381984]]

使用Numpy继续加速

使用pandas时不应忘记的一点是Pandas的Series和DataFrames是在NumPy库之上设计的。并且,pandas可以与NumPy阵列和操作无缝衔接。

下面我们使用NumPy的 digitize()函数更进一步。它类似于上面pandas的cut(),因为数据将被分箱,但这次它将由一个索引数组表示,这些索引表示每小时所属的bin。然后将这些索引应用于价格数组: 

@timeit(repeat=3number=100 
def apply_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 
  • 1.
  • 2.
  • 3.
  • 4.
  • 5.

与cut函数一样,这种语法非常简洁易读。 

>>> apply_tariff_digitize(df)  
Best of 3 trials with 100 function calls per trial:  
Function `apply_tariff_digitize` ran in average of 0.002 seconds. 
  • 1.
  • 2.
  • 3.

0.002秒! 虽然仍有性能提升,但已经很边缘化了。 

 

责任编辑:庞桂玉 来源: AI科技大本营
相关推荐

2021-01-13 11:13:46

ExcelPandas代码

2019-09-02 15:12:46

Python 开发数据分析

2020-09-27 11:15:37

可视化PandasPython

2024-01-03 15:50:33

Python循环测试

2023-12-10 14:06:04

数据库pythonduckdb

2019-08-27 17:32:10

数据处理PandasPython

2023-01-05 11:34:46

PandasMerge方法

2016-10-08 16:02:37

WIFIMegaMIMO系统

2013-02-28 10:35:59

hadoop大数据Hortonworks

2016-03-21 10:16:06

RedisSpark大数据处理

2022-08-09 09:10:31

TaichiPython

2013-09-24 09:40:41

Java图形加速

2009-12-16 11:43:28

卡巴斯基NVIDIA Tesl

2016-02-18 09:36:52

光纤wifi

2021-09-08 08:00:00

PyPolars数据开源

2024-10-16 09:34:50

2022-12-29 11:37:51

Python循环向量化

2018-03-28 14:10:10

GoPython代码

2020-05-01 12:35:31

C++Python编程

2013-10-17 09:34:56

企业邮箱海外访问提速
点赞
收藏

51CTO技术栈公众号