懶人秘籍:教你如何避免編寫pandas代碼

全文共4781字，預計學習時長14分鐘

來源：Pexels

Pandas在數據科學領域無需介紹，它提供高性能，易於使用的數據結構和數據分析工具。但是，在處理過多的數據時，單核上的Pandas就顯得心有餘而力不足了，大家不得不求助於不同的分布式系統來提高性能。然而，提高性能的權衡常常伴隨著陡峭的學習曲線。

而大家都在儘可能地避免這種懸崖峭壁，結果可想而知，都轉向了如何避免編寫pandas代碼。

在過去4年裡，筆者一直使用pandas作為數據分析的主要工具。必須承認，「如何避免編寫pandas代碼」的大部分內容來自於使用pandas編程的起步階段。在進行代碼審閱時，筆者仍然看到許多經驗豐富的程式設計師在看一些熱門「如何避免使用」的帖子。

在本文中，筆者首先展示了一個「如何避免」的例子，然後展示了一個正確的「如何使用」pandas來計算統計數據的方法。改進後，代碼更簡潔、易讀，執行更快。報告時間的格式為： 831 ms ± 25.7 ms per loop，即平均831毫秒，標準偏差為25.7毫秒。每個代碼示例執行多次，以計算準確的執行時間。

和往常一樣，可以下載 JupyterNotebook並在電腦上試運行。

開始pandas遊戲之旅，請閱讀如下資源：

5個鮮為人知的pandas技巧使用pandas進行探索性數據分析

來源：Pexels

設置

from platform importpython_versionimport numpy as npimport pandas as pdnp.random.seed(42) # set the seed tomake examples repeatable

樣本數據集

樣本數據集包含各個城市的預訂信息，是隨機的，唯一目的是展示樣本。

數據集有三列：

id表示唯一的標識city表示預定的城市信息booked perc表示特定時間預定的百分比

數據集有一萬條，這使速度改進更加明顯。注意，如果代碼以正確的pandas方式編寫，pandas可以利用DataFrames計算數百萬（甚至數十億）行的統計數據。

size = 10000cities =["paris", "barcelona", "berlin", "newyork"]df = pd.DataFrame( {"city": np.random.choice(cities,size=size), "booked_perc": np.random.rand(size)})df["id"] = df.index.map(str) +"-" + df.citydf = df[["id", "city", "booked_perc"]]df.head()

1.如何避免對數據求和

翻滾的熊貓/Reddit

來自Java世界的靈感，把「多行for循環」應用到了Python。

計算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，實踐出真知。

%%timeitsuma = 0for _, 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風格的方式來對列求和如下：

%%timeitsum(booked_perc forbooked_perc in df.booked_perc)989 s ± 18.5 s per loop (mean ±std. dev. of 7 runs, 1000 loops each)%%timeitdf.booked_perc.sum()92s ± 2.21 s per loop (mean ± std. dev. of 7 runs, 10000 loops each)

正如預期的那樣，第一個示例是最慢的——對一萬項求和幾乎需要1秒。第二個例子的速度之快令人驚訝。

正確的方法是使用pandas對數據進行求和（或對列使用任何其他操作），這是第三個示例——也是最快的！

2.如何避免過濾數據

玩耍的熊貓/Giphy

儘管在使用pandas之前，筆者已經很熟悉numpy，並使用for循環來過濾數據。求和時，還是可以觀察到性能上的差異。

%%timeitsuma = 0for _, 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 s ± 18.8 s per loop(mean ± std. dev. of 7 runs, 1000 loops each)

正如預期的一樣，第二個例子比第一個例子快很多

如果加入更多的過濾器呢？只需把它們添加到括號裡

%%timeitdf[(df.booked_perc <=0.5) & (df.city == 'new york')].booked_perc.sum()1.55ms ± 10.7 s 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for循環。你錯了！

分別使用和不使用for循環來計算一行到另一行百分數的改變

%%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()586s ± 17.3 s per loop (mean ± std. dev. of 7 runs, 1000 loops each)

同樣，第二個例子比第一個使用for循環的例子快得多

pandas有許多函數可以根據以前的值計算統計數據（例如shift函數對值進行移位）。這些函數接受periods參數，可以在計算中包含以前值的數量。

4.如何避免使用複雜的函數

來源：墜落的熊貓（國家地理）Giphy

有時需要在DataFrame中使用複雜函數（有多個變量的函數）。讓我們將從紐約的booking_perc兩兩相乘，其他設置為0並且把這列命名為sales_factor。

筆者首先想到的是使用iterrows的for循環

%%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)

一個更好的辦法是直接在DataFrame上使用函數

%%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過濾器直接計算函數值

%%timeit df.loc[df.city== 'new york', 'sales_factor'] = df[df.city == 'newyork'].booked_perc * 2df.sales_factor.fillna(0, inplace=True)3.03 ms ± 85.5 sper loop (mean ± std. dev. of 7 runs, 100 loops each)

可以看到從第一個例子到最後一個的加速過程。

當解決有3個及3個以上變量的函數時，可以把它分解為多個pandas表達式。這比運用函數更快。

Eg: f(x, a, b) = (a + b) * xdf['a_plus_b'] = df['a'] +df['b']df['f'] = df['a_plus_b'] * df['x']

5.如何避免對數據進行分組

蹭癢熊貓/Giphy

現在可以看到，在開始使用pandas之前，筆者更多依賴於for循環。至於對數據進行分組，如果充分發揮pandas的優勢，可以減少代碼行數。

要計算如下數據：

一個城市的平均sales factor一個城市的首次預定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 s per loop(mean ± std. dev. of 7 runs, 100 loops each)%%timeitdf.groupby("city").agg({"sales_factor":["mean", "count"], "id": "first"})4.5ms ± 131 s per loop (mean ± std. dev. of 7 runs, 100 loops each)

驚奇的是，第三個例子不是最快的，但比第二個例子更簡潔。筆者建議，如果需要加速的代碼，請用第二種方法。

快樂的熊貓/Giphy

最後，小芯的建議是:如果需要使用pandas編寫for循環，那一定存在一種更好的編寫方式。

會存在一些計算量很大的函數，即使上述的優化方法也會無效。那麼我們就需要使用最後手段：Cython和Numba。

大家一起來試試這些方法吧，一定會有意想不到的收穫~

留言點讚關注

我們一起分享AI學習與發展的乾貨

如轉載，請後臺留言，遵守轉載規範