Pandas中Apply函數加速百倍的技巧

現(xiàn)在的dask，cudf包的出現(xiàn)，我們的數據處理得到了大大的加速，但不是很貴的人比較好gpu，非常多的朋友仍然可以使用pandas工具包，但等真的很無奈，熊貓的許多問題我們都需要使用apply函數來進行處理，而apply函數是非常緩慢的，本文我們就介紹如何加速apply函數600倍的技巧。

實驗對比

01 應用（基線）

我們以應用為案，原來的應用程序處理下面這個問題，需要18.4 秒的時間。

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randint(0, 11, size=(1000000, 5)), columns=('a','b','c','d','e'))
def func(a,b,c,d,e):
    if e == 10:
        return c*d
    elif (e < 10) and (e>=5):
        return c+d
    elif e < 5:
        return a+b
%%time
df['new'] = df.apply(lambda x: func(x['a'], x['b'], x['c'], x['d'], x['e']), axis=1)
CPU times: user 17.9 s, sys: 301 ms, total: 18.2 s
Wall time: 18.4 s

02 迅捷

因為處理是并行的，所以我們可以使用Swift進行加速，在使用Swift之后，相同的操作在我的機器上可以提升到7.67s 。

%%time
# !pip install swifter
import swifter
df['new'] = df.swifter.apply(lambda x : func(x['a'],x['b'],x['c'],x['d'],x['e']),axis=1)
HBox(children=(HTML(value='Dask Apply'), FloatProgress(value=0.0, max=16.0), HTML(value='')))

CPU times: user 329 ms, sys: 240 ms, total: 569 ms
Wall time: 7.67 s

03 矢量化

使用Pandas和Numpy的避免應用方法是將函數直接化。如果我們的操作是可以直接直接化的話，那么我們就很簡單的使用

• 用于循環(huán)；
• 列表處理；
• 應用等操作

在將上面的問題轉化為下面的處理之后，我們的時間為：421 ms

%%time
df['new'] = df['c'] * df['d'] #default case e = =10
mask = df['e'] < 10
df.loc[mask,'new'] = df['c'] + df['d']
mask = df['e'] < 5
df.loc[mask,'new'] = df['a'] + df['b']
CPU times: user 134 ms, sys: 149 ms, total: 283 ms
Wall time: 421 ms

04 類別轉化+類別化

我們先將上面的類別轉化為int16型，再進行相同的操作，發(fā)現(xiàn)時間為：116 ms

for col in ('a','b','c','d'):
    df[col] = df[col].astype(np.int16) 
%%time
df['new'] = df['c'] * df['d'] #default case e = =10
mask = df['e'] < 10
df.loc[mask,'new'] = df['c'] + df['d']
mask = df['e'] < 5
df.loc[mask,'new'] = df['a'] + df['b']
CPU times: user 71.3 ms, sys: 42.5 ms, total: 114 ms
Wall time: 116 ms

05 轉化為值處理

在能轉化為.values的地方典型轉化為.values，再進行操作。

• 這里先轉化為.values等價于轉化為numpy，這樣我們的操作會更快捷。

于是，上面的操作時間又被延遲為：74.9ms

%%time
df['new'] = df['c'].values * df['d'].values #default case e = =10
mask = df['e'].values < 10
df.loc[mask,'new'] = df['c'] + df['d']
mask = df['e'].values < 5
df.loc[mask,'new'] = df['a'] + df['b']
CPU times: user 64.5 ms, sys: 12.5 ms, total: 77 ms
Wall time: 74.9 ms

實驗總結

通過上面的一些小技巧，我們將簡單的長大了，具體地：

• 應用：18.4 秒
• 應用 + Swifter：7.67 秒
• 熊貓矢量化：421 毫秒
• Pandas 矢量化 + 數據類型：116 毫秒
• Pandas 向量化 + 值 + 數據類型：74.9ms

參考文獻

https://towardsdatascience.com/do-you-use-apply-in-pandas-there-is-a-600x-faster-way-d2497facfa66

如果覺得有用，就請分享到朋友圈吧！