數(shù)據(jù)修改主要以增刪改差為主,這里比較幾種寫法在數(shù)據(jù)處理時(shí)間上的巨大差別。
數(shù)據(jù)量大概是500萬行級(jí)別的數(shù)據(jù),文件大小為100M。
1.iloc
iloc是一種速度極其慢的寫法。這里我們對(duì)每個(gè)csv文件中的每一行循環(huán)再用iloc處理,示例代碼如下:
for index in range(len(df)):
df.iloc['attr'][index] = xxx
使用這種方法對(duì)五百萬行的數(shù)據(jù)進(jìn)行處理大概需要5個(gè)小時(shí),實(shí)在是很慢。
2.at
at相比于iloc有了很大的性能提升,也是for循環(huán)處理,示例代碼如下:
for i in range(len(df)):
if df.at[i,'attr'] > 0:
sum_positive += df.at[i,'attr']
else:
sum_negetive += df.at[i,'sttr']
在我的程序里at和iloc是可以通用的,用at,程序的速度會(huì)有大幅提高,大概10分鐘,但是還不夠。
3.apply(lambda x:...)
想說apply是因?yàn)槲矣X得for循環(huán)速度太慢,想在循環(huán)上對(duì)程序進(jìn)行優(yōu)化。然后網(wǎng)上有人說apply可以大幅度提升速度,然而經(jīng)過測(cè)試發(fā)現(xiàn)在我的程序里,使用apply和for差不多吧,性能也一般。
4.直接用series處理
這才是真正優(yōu)化for循環(huán)的方法,以上面at的程序?yàn)槔?,可以改寫為?/p>
sum_positive += df['attr'][df.attr > 0].sum()
sum_negative += df['attr'][df.attr 0].sum()
將程序都改為series處理,快了很多,最后500萬行的數(shù)據(jù)大概需要37秒能跑完,基本符合預(yù)期。
這里提兩句關(guān)于dataframe屬性篩選,也就是上面df.attr > 0這一部分。首先pandas這個(gè)屬性篩選實(shí)在是很強(qiáng)大,很方便。
其次是我們屬性篩選的時(shí)候不要去修改屬性,而是修改后面的數(shù)字,比如,我們不要這樣寫:
float(df.attr )> 0,而是這樣寫:
df.attr > str(0),因?yàn)閐f.attr作為屬性是不能隨便動(dòng)的。
補(bǔ)充:pandas中DataFrame單個(gè)數(shù)據(jù)提取效率與修改效率
目標(biāo)
使用pandas處理金融數(shù)據(jù)及建模中經(jīng)常需要按時(shí)間序列順序循DataFrame數(shù)據(jù),讀取具體位置的數(shù)據(jù)判斷或修改。經(jīng)驗(yàn)上這種操作要比直接對(duì)二維列表或者np.array格式數(shù)據(jù)慢的多,原因可能在于index及columns層次的查找(兩個(gè)字典,都不是連續(xù)數(shù)組,每次查找定位都需要時(shí)間)和DataFrame中數(shù)據(jù)的內(nèi)存布局,有機(jī)會(huì)以后再深入研究。
這里做一組數(shù)值實(shí)驗(yàn)對(duì)比幾種方法的效率。
生成數(shù)據(jù)
先生成一個(gè)二維數(shù)組隨機(jī)數(shù)作為DataFrame數(shù)據(jù),不失一般性,并把列名、行名設(shè)為標(biāo)記順序的字符串。
import numpy as np
import pandas as pd
from copy import deepcopy
from time import time
np.random.seed(20000)
I = 900
df = pd.DataFrame(np.random.standard_normal((I, I)),
columns=['c'+str(_) for _ in range(I)],
index=['i'+str(_) for _ in range(I)])
然后從限定范圍內(nèi)隨機(jī)生成取值位置,為了方便對(duì)比,把隨機(jī)坐標(biāo)與字符串名對(duì)應(yīng)起來
columns_num = np.floor(np.random.uniform(0, 1, I) * I).astype(int)
index_num = np.floor(np.random.uniform(0, 1, I) * I).astype(int)
columns_str = ['c'+str(_) for _ in columns_num]
index_str = ['i'+str(_) for _ in index_num]
讀取測(cè)試
首先傳統(tǒng)方法,直接取columns及index中名稱定位
t0 = time()
for m in columns_str:
for n in index_str:
c = df[m][n]
print(time()-t0)
6.789840459823608
先columns列名后在values中取行坐標(biāo),速度快了一些
t0 = time()
for m in columns_str:
for n in index_num:
c = df[m].values[n]
print(time()-t0)
1.9697318077087402
loc方法,速度和直接取columns及index中名稱定位差不多
t0 = time()
for m in columns_str:
for n in index_str:
c = df.loc[n, m]
print(time()-t0)
5.661889314651489
at方法,比loc快一點(diǎn),畢竟loc可以切片的
t0 = time()
for m in columns_str:
for n in index_str:
c = df.at[m, n]
print(time()-t0)
3.3770089149475098
假設(shè)知道具體橫縱坐標(biāo)后,我們?cè)俦容^:
還是從取values開始,也很慢,看來每次從df中取values很耗時(shí)
t0 = time()
for m in columns_num:
for n in index_num:
c = df.values[n][m]
print(time()-t0)
6.041872024536133
iloc試一下,沒什么區(qū)別
t0 = time()
for m in columns_num:
for n in index_num:
c = df.iloc[n, m]
print(time()-t0)
6.103677034378052
iat做對(duì)比,提升不大,有點(diǎn)失望
t0 = time()
for m in columns_num:
for n in index_num:
c = df.iat[n, m]
print(time()-t0)
4.375299692153931
最后最高效的方法,還是先取二維數(shù)組來再定位
t0 = time()
b = df.values
for m in columns_num:
for n in index_num:
c = b[n][m]
print(time()-t0)
0.6402544975280762
修改測(cè)試
重復(fù)剛才的過程,把對(duì)應(yīng)值改為0作為簡(jiǎn)單測(cè)試方式,別忘了原始數(shù)據(jù)要備份
取columns及index中名稱定位
df_backup = deepcopy(df)
t0 = time()
for m in columns_str:
for n in index_str:
df_backup[m][n] = 0.0
print(time()-t0)
41.99269938468933
先columns列名后在values中取行坐標(biāo)
df_backup = deepcopy(df)
t0 = time()
for m in columns_str:
for n in index_num:
df_backup[m].values[n] = 0.0
print(time()-t0)
2.215076208114624
loc方法
df_backup = deepcopy(df)
t0 = time()
for m in columns_str:
for n in index_str:
df_backup.loc[n, m] = 0.0
print(time()-t0)
134.39290761947632
at方法,在修改數(shù)值上竟然比loc快這么多
df_backup = deepcopy(df)
t0 = time()
for m in columns_str:
for n in index_str:
df_backup.at[n, m] = 0.0
print(time()-t0)
4.7453413009643555
在values上改,也是不錯(cuò)的,和讀取相近,看來還都是在每次提取values上耗時(shí)
df_backup = deepcopy(df)
t0 = time()
for m in columns_num:
for n in index_num:
df.values[n][m] = 0.0
print(time()-t0)
6.346027612686157
iloc方法
df_backup = deepcopy(df)
t0 = time()
for m in columns_num:
for n in index_num:
df.iloc[n, m] = 0.0
print(time()-t0)
122.33384037017822
iat方法
df_backup = deepcopy(df)
t0 = time()
for m in columns_num:
for n in index_num:
df.iat[n, m] = 0.0
print(time()-t0)
5.381632328033447
取二維數(shù)組來再定位
df_backup = deepcopy(df)
t0 = time()
b = df.values
for m in columns_num:
for n in index_num:
c = b[n][m]
print(time()-t0)
0.4298992156982422
總結(jié)
效率上肯定是直接取數(shù)值最優(yōu)的,這次系統(tǒng)性比較做個(gè)記錄。代碼寫的有點(diǎn)啰嗦了,不過方便復(fù)制實(shí)驗(yàn)。在建模級(jí)別的代碼上我還是習(xí)慣于用第2種方法,主要是鑒于代碼可讀性、維護(hù)和修改上。代碼會(huì)在key上告訴我這里是什么,直觀易讀。
以前也曾為了提高代碼運(yùn)行效率寫過先提取二維數(shù)組的,但columns多了就很費(fèi)勁,重讀還需要轉(zhuǎn)譯一遍。當(dāng)然也可以把數(shù)據(jù)寫成類,但是感覺和pandas不好融合,從建模和研究效率上沒有太好的解決方案。之后會(huì)找時(shí)間再研究DataFrame內(nèi)部機(jī)制。
以上為個(gè)人經(jīng)驗(yàn),希望能給大家一個(gè)參考,也希望大家多多支持腳本之家。如有錯(cuò)誤或未考慮完全的地方,望不吝賜教。
您可能感興趣的文章:- Python基礎(chǔ)之pandas數(shù)據(jù)合并
- python-pandas創(chuàng)建Series數(shù)據(jù)類型的操作
- Python數(shù)據(jù)分析之pandas函數(shù)詳解
- python基于Pandas讀寫MySQL數(shù)據(jù)庫
- pandas讀取excel時(shí)獲取讀取進(jìn)度的實(shí)現(xiàn)
- pandas中.loc和.iloc以及.at和.iat的區(qū)別說明
- 解決使用pandas聚類時(shí)的小坑
- pandas 使用merge實(shí)現(xiàn)百倍加速的操作
- 詳細(xì)介紹在pandas中創(chuàng)建category類型數(shù)據(jù)的幾種方法
- python中pandas.read_csv()函數(shù)的深入講解
- pandas 顛倒列順序的兩種解決方案
- pandas調(diào)整列的順序以及添加列的實(shí)現(xiàn)
- pandas快速處理Excel,替換Nan,轉(zhuǎn)字典的操作
- Python基礎(chǔ)之教你怎么在M1系統(tǒng)上使用pandas