再見 for 循環(huán)！pandas 提速 315 倍~

點擊上方Python知識圈，設(shè)為星標(biāo)

回復(fù)100獲取100題PDF

閱讀文本大概需要 5?分鐘

來源：Python數(shù)據(jù)科學(xué)

作者：東哥起飛

for是所有編程語言的基礎(chǔ)語法，初學(xué)者為了快速實現(xiàn)功能，依懶性較強。但如果從運算時間性能上考慮可能不是特別好的選擇。

本次介紹幾個常見的提速方法，一個比一個快，了解pandas本質(zhì)，才能知道如何提速。

下面是一個例子

>>>?import?pandas?as?pd
#?導(dǎo)入數(shù)據(jù)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

基于上面的數(shù)據(jù)，我們現(xiàn)在要增加一個新的特征，但這個新的特征是基于一些時間條件生成的，根據(jù)時長（小時）而變化，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方法寫一個函數(shù)，函數(shù)里面寫好時間條件的邏輯代碼。

def?apply_tariff(kwh,?hour):
????"""計算每個小時的電費"""????
????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

然后使用for循環(huán)來遍歷df，根據(jù)apply函數(shù)邏輯添加新的特征，如下：

>>>?#?不贊同這種操作
>>>?@timeit(repeat=3,?number=100)
...?def?apply_tariff_loop(df):
...?????"""用for循環(huán)計算enery?cost，并添加到列表"""
...?????energy_cost_list?=?[]
...?????for?i?in?range(len(df)):
...?????????#?獲取用電量和時間（小時）
...?????????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.

對于那些寫Pythonic風(fēng)格的人來說，這個設(shè)計看起來很自然。然而，這個循環(huán)將會嚴(yán)重影響效率。原因有幾個：

首先，它需要初始化一個將記錄輸出的列表。

其次，它使用不透明對象范圍(0，len(df))循環(huán)，然后再應(yīng)用apply_tariff()之后，它必須將結(jié)果附加到用于創(chuàng)建新DataFrame列的列表中。另外，還使用df.iloc [i]['date_time']執(zhí)行所謂的鏈?zhǔn)剿饕?，這通常會導(dǎo)致意外的結(jié)果。

這種方法的最大問題是計算的時間成本。對于8760行數(shù)據(jù)，此循環(huán)花費了3秒鐘。

接下來，一起看下優(yōu)化的提速方案。

一、使用 iterrows循環(huán)

第一種可以通過pandas引入iterrows方法讓效率更高。這些都是一次產(chǎn)生一行的生成器方法，類似scrapy中使用的yield用法。

.itertuples為每一行產(chǎn)生一個namedtuple，并且行的索引值作為元組的第一個元素。nametuple是Python的collections模塊中的一種數(shù)據(jù)結(jié)構(gòu)，其行為類似于Python元組，但具有可通過屬性查找訪問的字段。

.iterrows為DataFrame中的每一行產(chǎn)生（index，series）這樣的元組。

在這個例子中使用.iterrows，我們看看這使用iterrows后效果如何。

>>>?@timeit(repeat=3,?number=100)
...?def?apply_tariff_iterrows(df):
...?????energy_cost_list?=?[]
...?????for?index,?row?in?df.iterrows():
...?????????#?獲取用電量和時間（小時）
...?????????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.

這樣的語法更明確，并且行值引用中的混亂更少，因此它更具可讀性。

時間成本方面：快了近5倍！

但是，還有更多的改進空間，理想情況是可以用pandas內(nèi)置更快的方法完成。

二、pandas的apply方法

我們可以使用.apply方法而不是.iterrows進一步改進此操作。pandas的.apply方法接受函數(shù)callables并沿DataFrame的軸(所有行或所有列)應(yīng)用。下面代碼中，lambda函數(shù)將兩列數(shù)據(jù)傳遞給apply_tariff()：

>>>?@timeit(repeat=3,?number=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.

apply的語法優(yōu)點很明顯，行數(shù)少，代碼可讀性高。在這種情況下，所花費的時間大約是iterrows方法的一半。

但是，這還不是“非?？臁薄Ｒ粋€原因是apply()將在內(nèi)部嘗試循環(huán)遍歷Cython迭代器。但是在這種情況下，傳遞的lambda不是可以在Cython中處理的東西，因此它在Python中調(diào)用并不是那么快。

如果我們使用apply()方法獲取10年的小時數(shù)據(jù)，那么將需要大約15分鐘的處理時間。如果這個計算只是大規(guī)模計算的一小部分，那么真的應(yīng)該提速了。這也就是矢量化操作派上用場的地方。

三、矢量化操作：使用.isin選擇數(shù)據(jù)

什么是矢量化操作？

如果你不基于一些條件，而是可以在一行代碼中將所有電力消耗數(shù)據(jù)應(yīng)用于該價格：df ['energy_kwh'] * 28，類似這種。那么這個特定的操作就是矢量化操作的一個例子，它是在pandas中執(zhí)行的最快方法。

但是如何將條件計算應(yīng)用為pandas中的矢量化運算？

一個技巧是：根據(jù)你的條件，選擇和分組DataFrame，然后對每個選定的組應(yīng)用矢量化操作。

在下面代碼中，我們將看到如何使用pandas的.isin()方法選擇行，然后在矢量化操作中實現(xiàn)新特征的添加。在執(zhí)行此操作之前，如果將date_time列設(shè)置為DataFrame的索引，會更方便：

#?將date_time列設(shè)置為DataFrame的索引
df.set_index('date_time',?inplace=True)

@timeit(repeat=3,?number=100)
def?apply_tariff_isin(df):
????#?定義小時范圍Boolean數(shù)組
????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函數(shù)中的定義
????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

我們來看一下結(jié)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.

提示，上面.isin()方法返回的是一個布爾值數(shù)組，如下：

[False,?False,?False,?...,?True,?True,?True]

布爾值標(biāo)識了DataFrame索引datetimes是否落在了指定的小時范圍內(nèi)。然后把這些布爾數(shù)組傳遞給DataFrame的.loc，將獲得一個與這些小時匹配的DataFrame切片。然后再將切片乘以適當(dāng)?shù)馁M率，這就是一種快速的矢量化操作了。

上面的方法完全取代了我們最開始自定義的函數(shù)apply_tariff()，代碼大大減少，同時速度起飛。

運行時間比Pythonic的for循環(huán)快315倍，比iterrows快71倍，比apply快27倍！

四、還能更快？

太刺激了，我們繼續(xù)加速。

在上面apply_tariff_isin中，我們通過調(diào)用df.loc和df.index.hour.isin三次來進行一些手動調(diào)整。如果我們有更精細的時間范圍，你可能會說這個解決方案是不可擴展的。但在這種情況下，我們可以使用pandas的pd.cut()函數(shù)來自動完成切割：

@timeit(repeat=3,?number=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']

上面代碼pd.cut()會根據(jù)bin列表應(yīng)用分組。

其中include_lowest參數(shù)表示第一個間隔是否應(yīng)該是包含左邊的。

這是一種完全矢量化的方法，它在時間方面是最快的：

>>>?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.

到目前為止，使用pandas處理的時間上基本快達到極限了！只需要花費不到一秒的時間即可處理完整的10年的小時數(shù)據(jù)集。

但是，最后一個其它選擇，就是使用?NumPy，還可以更快！

五、使用Numpy繼續(xù)加速

使用pandas時不應(yīng)忘記的一點是Pandas的Series和DataFrames是在NumPy庫之上設(shè)計的。并且，pandas可以與NumPy陣列和操作無縫銜接。

下面我們使用NumPy的?digitize()函數(shù)更進一步。它類似于上面pandas的cut()，因為數(shù)據(jù)將被分箱，但這次它將由一個索引數(shù)組表示，這些索引表示每小時所屬的bin。然后將這些索引應(yīng)用于價格數(shù)組：

@timeit(repeat=3,?number=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

與cut函數(shù)一樣，這種語法非常簡潔易讀。

>>>?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.

0.002秒！?雖然仍有性能提升，但已經(jīng)很邊緣化了。

加微信送《Python知識點100題PDF》

pk哥個人微信

添加pk哥個人微信即送Python資料

→ Python知識點100題的PDF

→ Python相關(guān)的電子書10本

記得備注：“100題”

往期推薦
01
公眾號所有文章匯總導(dǎo)航（2-10更新）
02
終于，我用爬蟲批量保存了P站的靚圖
03
求你了，別再用 pip 那烏龜?shù)乃俣热グ惭b庫了！

↓點擊閱讀原文查看pk哥原創(chuàng)視頻

我就知道你“在看”