懶人秘籍：教你如何避免編寫pandas代碼
Pandas在數(shù)據(jù)科學(xué)領(lǐng)域無需介紹，它提供高性能，易于使用的數(shù)據(jù)結(jié)構(gòu)和數(shù)據(jù)分析工具。但是，在處理過多的數(shù)據(jù)時(shí)，單核上的Pandas就顯得心有余而力不足了，大家不得不求助于不同的分布式系統(tǒng)來提高性能。然而，提高性能的權(quán)衡常常伴隨著陡峭的學(xué)習(xí)曲線。
而大家都在盡可能地避免這種懸崖峭壁，結(jié)果可想而知，都轉(zhuǎn)向了如何避免編寫pandas代碼。
在過去4年里，筆者一直使用pandas作為數(shù)據(jù)分析的主要工具。必須承認(rèn)，“如何避免編寫pandas代碼”的大部分內(nèi)容來自于使用pandas編程的起步階段。在進(jìn)行代碼審閱時(shí)，筆者仍然看到許多經(jīng)驗(yàn)豐富的程序員在看一些熱門“如何避免使用”的帖子。
在本文中，筆者首先展示了一個(gè)“如何避免”的例子，然后展示了一個(gè)正確的“如何使用”pandas來計(jì)算統(tǒng)計(jì)數(shù)據(jù)的方法。改進(jìn)后，代碼更簡潔、易讀，執(zhí)行更快。報(bào)告時(shí)間的格式為： 831 ms ± 25.7 ms per loop，即平均831毫秒，標(biāo)準(zhǔn)偏差為25.7毫秒。每個(gè)代碼示例執(zhí)行多次，以計(jì)算準(zhǔn)確的執(zhí)行時(shí)間。
和往常一樣，可以下載 JupyterNotebook并在電腦上試運(yùn)行。
開始pandas游戲之旅，請(qǐng)閱讀如下資源：
- 5個(gè)鮮為人知的pandas技巧
- 使用pandas進(jìn)行探索性數(shù)據(jù)分析
來源：Pexels
設(shè)置
- from platform importpython_versionimport numpy as np
- import pandas as pdnp.random.seed(42) # set the seed tomake examples repeatable
樣本數(shù)據(jù)集
樣本數(shù)據(jù)集包含各個(gè)城市的預(yù)訂信息，是隨機(jī)的，唯一目的是展示樣本。
數(shù)據(jù)集有三列：
- id表示唯一的標(biāo)識(shí)
- city表示預(yù)定的城市信息
- booked perc表示特定時(shí)間預(yù)定的百分比
數(shù)據(jù)集有一萬條，這使速度改進(jìn)更加明顯。注意，如果代碼以正確的pandas方式編寫，pandas可以利用DataFrames計(jì)算數(shù)百萬(甚至數(shù)十億)行的統(tǒng)計(jì)數(shù)據(jù)。
- 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. 如何避免對(duì)數(shù)據(jù)求和
翻滾的熊貓/Reddit
來自Java世界的靈感，把“多行for循環(huán)”應(yīng)用到了Python。
計(jì)算booked perc列的總和，把百分比加起來毫無意義，但無論如何，一起來試試吧，實(shí)踐出真知。
- %%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風(fēng)格的方式來對(duì)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)
正如預(yù)期的那樣，第一個(gè)示例是最慢的——對(duì)一萬項(xiàng)求和幾乎需要1秒。第二個(gè)例子的速度之快令人驚訝。
正確的方法是使用pandas對(duì)數(shù)據(jù)進(jìn)行求和(或?qū)α惺褂萌魏纹渌僮?，這是第三個(gè)示例——也是最快的!
2. 如何避免過濾數(shù)據(jù)
玩耍的熊貓/Giphy
盡管在使用pandas之前，筆者已經(jīng)很熟悉numpy，并使用for循環(huán)來過濾數(shù)據(jù)。求和時(shí)，還是可以觀察到性能上的差異。
- %%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)
正如預(yù)期的一樣，第二個(gè)例子比第一個(gè)例子快很多
如果加入更多的過濾器呢?只需把它們添加到括號(hào)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. 如何避免訪問以前的值
翻滾的熊貓/Giphy
你可能會(huì)說：好吧，但是如果需要訪問先前某一列的值呢，還是需要一個(gè)for循環(huán)。你錯(cuò)了!
分別使用和不使用for循環(huán)來計(jì)算一行到另一行百分?jǐn)?shù)的改變
- %%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)
同樣，第二個(gè)例子比第一個(gè)使用for循環(huán)的例子快得多。
pandas有許多函數(shù)可以根據(jù)以前的值計(jì)算統(tǒng)計(jì)數(shù)據(jù)(例如shift函數(shù)對(duì)值進(jìn)行移位)。這些函數(shù)接受periods參數(shù)，可以在計(jì)算中包含以前值的數(shù)量。
4. 如何避免使用復(fù)雜的函數(shù)
來源：墜落的熊貓(國家地理)Giphy
有時(shí)需要在DataFrame中使用復(fù)雜函數(shù)(有多個(gè)變量的函數(shù))。讓我們將從紐約的booking_perc兩兩相乘，其他設(shè)置為0并且把這列命名為sales_factor。
筆者首先想到的是使用iterrows的for循環(huán)。
- %%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)
一個(gè)更好的辦法是直接在DataFrame上使用函數(shù)。
- %%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過濾器直接計(jì)算函數(shù)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)
可以看到從第一個(gè)例子到最后一個(gè)的加速過程。
當(dāng)解決有3個(gè)及3個(gè)以上變量的函數(shù)時(shí)，可以把它分解為多個(gè)pandas表達(dá)式。這比運(yùn)用函數(shù)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. 如何避免對(duì)數(shù)據(jù)進(jìn)行分組
蹭癢熊貓/Giphy
現(xiàn)在可以看到，在開始使用pandas之前，筆者更多依賴于for循環(huán)。至于對(duì)數(shù)據(jù)進(jìn)行分組，如果充分發(fā)揮pandas的優(yōu)勢，可以減少代碼行數(shù)。
要計(jì)算如下數(shù)據(jù)：
- 一個(gè)城市的平均sales factor
- 一個(gè)城市的首次預(yù)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有分組操作所以不必在DataFrame上進(jìn)行迭代，pandas的分組操作和SQL的GROUP BY語句一樣的。
- %%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)
驚奇的是，第三個(gè)例子不是最快的，但比第二個(gè)例子更簡潔。筆者建議，如果需要加速的代碼，請(qǐng)用第二種方法。
快樂的熊貓/Giphy
最后，小芯的建議是:如果需要使用pandas編寫for循環(huán)，那一定存在一種更好的編寫方式。
會(huì)存在一些計(jì)算量很大的函數(shù)，即使上述的優(yōu)化方法也會(huì)無效。那么我們就需要使用最后手段：Cython和Numba。
大家一起來試試這些方法吧，一定會(huì)有意想不到的收獲~
