牛逼！一行代碼讓 pandas 的 apply 速度飆到極致！

來(lái)源：Python數(shù)據(jù)科學(xué)

作者：東哥起飛

前幾天，分享了一篇文章，是關(guān)于替代pandas的工具vaex。vaex利用了內(nèi)存映射的原理，所以比pandas能快上幾百倍，但是vaex目前功能有限，所以暫時(shí)pandas還是無(wú)法撼動(dòng)的。

1.?pandas提速的方法回顧

如果想要讓pandas提速，東哥總結(jié)有兩個(gè)方法：

1.?向量化

向量化是最優(yōu)的方法，具體用法參考文章：還在抱怨pandas運(yùn)行速度慢？這幾個(gè)方法會(huì)顛覆你的看法。

舉個(gè)例子，我們將向量化定義為使用Numpy表示整個(gè)數(shù)組而不是元素的計(jì)算。下面有兩個(gè)數(shù)組：

array_1?=?np.array([1,2,3,4,5])
array_2?=?np.array([6,7,8,9,10])

我們希望創(chuàng)建一個(gè)新數(shù)組，該數(shù)組是兩個(gè)數(shù)組的總和，結(jié)果應(yīng)該是：

result?=?[7,9,11,13,15]

當(dāng)然，我們也可以在Python中使用for循環(huán)將這些數(shù)組求和，但這非常慢。替代的是，Numpy允許我們直接在陣列上進(jìn)行操作，這要快得多，尤其是大型陣列。

result?=?array_1?+?array_2

2. 并行化

其次是并行化。

相信大家平時(shí)對(duì)pandas使用比較多的一個(gè)功能就是apply功能，使用自帶函數(shù)或者自己寫(xiě)個(gè)函數(shù)，可以直接對(duì)dataframe進(jìn)行變換，非常香！

但由于pandas的apply只是將函數(shù)應(yīng)用于dataframe的每一行，只調(diào)用當(dāng)個(gè)處理器，如果行數(shù)非常多，那么將非常慢。

但如果我們利用多處理器并行化，將dataframe數(shù)據(jù)框分成多個(gè)部分，然后將每個(gè)部分都送到處理器，最后再將各個(gè)部分組合拼成回單個(gè)dataframe，這就快多了！

如何將這兩個(gè)方法結(jié)合起來(lái)，對(duì)apply功能提速？

本次給大家分享一個(gè)神器?Swifter，可以自動(dòng)讓apply的運(yùn)行速度達(dá)到最快，并且只需要一行代碼！

2. Swifter介紹

Swifter是這樣做的。

1. 首先，檢查apply的函數(shù)是否可以向量化，如果可以，就自動(dòng)使用向量化的計(jì)算（最有效果）。

2. 如果無(wú)法進(jìn)行向量化，那就檢查使用Dask進(jìn)行并行處理或僅使用普通Pandas的apply（僅使用單個(gè)內(nèi)核）哪個(gè)更合理。

并行化并不是一定要用的，因?yàn)椴⑿刑幚淼拈_(kāi)銷(xiāo)會(huì)使小型數(shù)據(jù)集的處理速度變慢，所以這個(gè)也需要根據(jù)數(shù)據(jù)集的大小情況具體分析。

來(lái)看一張圖。

通過(guò)上圖結(jié)果可以總結(jié)出：無(wú)論數(shù)據(jù)大小如何，使用向量化的結(jié)果幾乎總是更好的，但如果無(wú)法做到向量化，那我們就退而求其次，通過(guò)并行讓pandas速度最優(yōu)（當(dāng)數(shù)據(jù)集大小超過(guò)某個(gè)閾值的時(shí)候，紅線和藍(lán)線的交點(diǎn)）。

太牛掰了，使用swifter可以直接為我們自動(dòng)選擇最佳的方式。

3. 如何使用Swifter？

Swifter的使用非常簡(jiǎn)單。

import?pandas?as?pd
import?swifter

df.swifter.apply(lambda?x:?x.sum()?-?x.min())

我們只需要引入swifter，然后簡(jiǎn)單的一行代碼調(diào)用即可，趕快試一下這個(gè)神器！

求個(gè)三連