Pandas 新手容易犯的 6 個錯誤
↓推薦關(guān)注↓
我們在這里討論6個新手容易犯的錯誤，這些錯誤與你所使用工具的API或語法無關(guān)，而是與你的知識和經(jīng)驗(yàn)水平直接相關(guān)。在實(shí)際中如果出現(xiàn)了這些問題可能不會有任何的錯
誤提示，但是在應(yīng)用中卻會給我們帶來很大的麻煩。
import pandas as pd
%%time
tps_october = pd.read_csv("data/train.csv")
Wall time: 21.8 s
read_csv花了大約22秒。你可能會說22秒并不多。但是在一個項(xiàng)目中，需要在不同的階段執(zhí)行許多實(shí)驗(yàn)。我們會創(chuàng)建很多單獨(dú)的腳本，用于清理、特征工程、選擇模型，以及其他任務(wù)。多次等待數(shù)據(jù)加載20秒就變得很長了。此外，數(shù)據(jù)集可能會更大時間就會更長。那么有什么更快的解決方案呢?
解決方案是在這個階段放棄Pandas，使用其他為快速IO設(shè)計(jì)的替代方案。我最喜歡的是datatable，但你也可以選擇Dask, Vaex, cuDF等。這里是用datatable加載相同的數(shù)據(jù)集所需要的時間:
import datatable as dt # pip install datatble
%%time
tps_dt_october = dt.fread("data/train.csv").to_pandas()
------------------------------------------------------------
Wall time: 2 s
只有2秒，10倍差距
函數(shù)式編程中最重要的規(guī)則之一就是永遠(yuǎn)不要使用循環(huán)。似乎在使用 Pandas 時堅(jiān)持這個“無循環(huán)”規(guī)則是加速計(jì)算的最佳方法。
函數(shù)式編程用遞歸代替循環(huán)。雖然遞歸也會出現(xiàn)各種問題（這個我們這里不考慮），但是對于科學(xué)計(jì)算來說使用矢量化是最好的選擇！
矢量化是 Pandas 和 NumPy 的核心，它對整個數(shù)組而不是單個標(biāo)量執(zhí)行數(shù)學(xué)運(yùn)算。Pandas 已經(jīng)擁有一套廣泛的矢量化函數(shù)，我們無需重新發(fā)明輪子，只要關(guān)注我們的重點(diǎn)如何計(jì)算就好了。
在 Pandas 中進(jìn)行Python 的大部分算術(shù)運(yùn)算符（+、-、*、/、**）都以矢量化方式工作。此外，在 Pandas 或 NumPy 中看到的任何其他數(shù)學(xué)函數(shù)都已經(jīng)矢量化了。
為了驗(yàn)證到速度的提高，我們將使用下面的 big_function，它以三列作為輸入并執(zhí)行一些無意義的算術(shù)作為測試：
def big_function(col1, col2, col3):
return np.log(col1 ** 10 / col2 ** 9 + np.sqrt(col3 ** 3))
首先，我們將這個函數(shù)與 Pandas 最快的迭代器——apply 一起使用：
%time tps_october['f1000'] = tps_october.apply(
lambda row: big_function(row['f0'], row['f1'], row['f2']), axis=1
)
-------------------------------------------------
Wall time: 20.1 s
操作耗時20秒。讓我們以矢量化的方式使用核心 NumPy 數(shù)組來做同樣的事情：
%time tps_october['f1001'] = big_function(tps_october['f0'].values,
tps_october['f1'].values,
tps_october['f2'].values)
------------------------------------------------------------------
Wall time: 82 ms
只用了 82 毫秒，快了大約 250 倍。
事實(shí)上我們不能完全拋棄循環(huán)。因?yàn)椴⒎撬袛?shù)據(jù)操作操作都是數(shù)學(xué)運(yùn)算。但是每當(dāng)發(fā)現(xiàn)需要使用一些循環(huán)函數(shù)（例如 apply、applymap 或 itertuples）時，花點(diǎn)時間看看想要做的事情是否可以矢量化是一個非常好的習(xí)慣。
我們可以根據(jù)內(nèi)存使用情況指定數(shù)據(jù)類型。
pandas中最糟糕也是最耗內(nèi)存的數(shù)據(jù)類型是 object，這也恰好限制了 Pandas 的一些功能。剩下的我們還有浮點(diǎn)數(shù)和整數(shù)。以下這張表是pandas的所有類型：
Pandas命名方式中，數(shù)據(jù)類型名稱之后的數(shù)字表示此數(shù)據(jù)類型中的每個數(shù)字將占用多少位內(nèi)存。因此，我們的想法是將數(shù)據(jù)集中的每一列都轉(zhuǎn)換為盡可能小的子類型。我們只要根據(jù)規(guī)則來判斷就可以了，這是規(guī)則表：
通常，根據(jù)上表將浮點(diǎn)數(shù)轉(zhuǎn)換為 float16/32 并將具有正整數(shù)和負(fù)整數(shù)的列轉(zhuǎn)換為 int8/16/32。還可以將 uint8 用于布爾值和僅正整數(shù)，以進(jìn)一步減少內(nèi)存消耗。
這個函數(shù)你一定很眼熟，因?yàn)樗贙aggle中被廣泛使用，它根據(jù)上表將浮點(diǎn)數(shù)和整數(shù)轉(zhuǎn)換為它們的最小子類型：
def reduce_memory_usage(df, verbose=True):
numerics = ["int8", "int16", "int32", "int64", "float16", "float32", "float64"]
start_mem = df.memory_usage().sum() / 1024 ** 2
for col in df.columns:
col_type = df[col].dtypes
if col_type in numerics:
c_min = df[col].min()
c_max = df[col].max()
if str(col_type)[:3] == "int":
if c_min > np.iinfo(np.int8).min and c_max < np.iinfo(np.int8).max:
df[col] = df[col].astype(np.int8)
elif c_min > np.iinfo(np.int16).min and c_max < np.iinfo(np.int16).max:
df[col] = df[col].astype(np.int16)
elif c_min > np.iinfo(np.int32).min and c_max < np.iinfo(np.int32).max:
df[col] = df[col].astype(np.int32)
elif c_min > np.iinfo(np.int64).min and c_max < np.iinfo(np.int64).max:
df[col] = df[col].astype(np.int64)
else:
if (
c_min > np.finfo(np.float16).min
and c_max < np.finfo(np.float16).max
):
df[col] = df[col].astype(np.float16)
elif (
c_min > np.finfo(np.float32).min
and c_max < np.finfo(np.float32).max
):
df[col] = df[col].astype(np.float32)
else:
df[col] = df[col].astype(np.float64)
end_mem = df.memory_usage().sum() / 1024 ** 2
if verbose:
print(
"Mem. usage decreased to {:.2f} Mb ({:.1f}% reduction)".format(
end_mem, 100 * (start_mem - end_mem) / start_mem
)
)
return df
讓我們在 TPS 十月份的數(shù)據(jù)上使用它，看看我們能減少多少：
>>> reduce_memory_usage(tps_october)
Mem. usage decreased to 509.26 Mb (76.9% reduction)
我們將數(shù)據(jù)集從原來的 2.2GB 壓縮到 510MB。當(dāng)我們將df保存到csv文件時，這種內(nèi)存消耗的減少會丟失因?yàn)閏sv還是以字符串的形式保存的，但是如果使用pickle保存那就沒問題了。
為什么要減小內(nèi)存占用呢？在使用大型機(jī)器學(xué)習(xí)模型處理此類數(shù)據(jù)集時，內(nèi)存的占用和消耗起著重要作用。一旦遇到一些 OutOfMemory 錯誤，你就會開始追趕并學(xué)習(xí)這樣的技巧來讓計(jì)算機(jī)保持愉快的工作（誰讓Kaggle只給16G的內(nèi)存呢，都是逼出來的）。
Pandas 最美妙的功能之一是它能夠在顯示DF時設(shè)定不同的樣式，在 Jupyter 中將原始DF呈現(xiàn)為帶有一些 CSS HTML 表格。
Pandas 允許通過 style 屬性對其 DataFrame 進(jìn)行樣式設(shè)置。
tps_october.sample(20, axis=1).describe().T.style.bar(
subset=["mean"], color="#205ff2"
).background_gradient(subset=["std"], cmap="Reds").background_gradient(
subset=["50%"], cmap="coolwarm"
)
我們隨機(jī)選擇 20 列，為它們創(chuàng)建一個 5 位數(shù)的匯總，并轉(zhuǎn)置結(jié)果，根據(jù)它們的大小為均值、標(biāo)準(zhǔn)差和中值列著色。添加這樣的樣式可以讓我們更輕松地發(fā)現(xiàn)原始數(shù)字中的模式，設(shè)置無需使用其他的可視化庫。
實(shí)際上，不對df進(jìn)行樣式設(shè)置并沒有錯。但是這的確是一個很好的功能，對吧。
就像讀取 CSV 文件非常慢一樣，將數(shù)據(jù)保存回它們也是如此。以下是將 TPS 十月數(shù)據(jù)保存到 CSV 所需的時間：
%%time
tps_october.to_csv("data/copy.csv")
------------------------------------------
Wall time: 2min 43s
花了將近3分鐘。為了節(jié)省時間可以保存為parquet，feather 甚至pickle。
%%time
tps_october.to_feather("data/copy.feather")
Wall time: 1.05 s
--------------------------------------------------------------------------------
%%time
tps_october.to_parquet("data/copy.parquet")
Wall time: 7.84 s
長按或掃描下方二維碼，后臺回復(fù)：加群，即可申請入群。一定要備注：來源+研究方向+學(xué)校/公司，否則不拉入群中，見諒！
（長按三秒，進(jìn)入后臺）
推薦閱讀
