这招可以让Pandas 数据帧处理速度提高400倍！

Posted 2021-07-21 Python学习与数据挖掘

数据处理是数据科学模型开发流程的重要组成部分之一。数据科学家需要花费80％的时间准备数据集以使其适合建模。有时，对大型数据集执行数据整理和探索变得繁琐的工作，只有等待很长时间才能完成计算，或者转移到某些并行处理。

Pandas 是拥有大量API的著名 Python 库之一，但是在可伸缩性方面却失败了。对于大型数据集，迭代整个循环有时会花费很多时间，有时甚至是数小时，甚至对于小型数据集，使用标准循环对数据框架进行迭代也非常耗时。

在本文中，我们将讨论在大型数据集上加快迭代过程的技术或技巧。

1、Pandas 内置函数：iterrows()

iterrows() 是内置的 Pandas 库函数，它返回一系列的每个实例或行。它将数据帧作为一对索引和列特征作为Series进行迭代。

我使用了一个具有1000万条记录和5列的数据集。我们在数据集中使用字符串类型的特征"name"，必须将其删除以删除空格。

temp=[]
for i,row in df.iterrows():
    name_new = row['name'].strip()
    temp.append(name_new)

该代码段执行了将近1967秒。现在，让我们找出其他技术来遍历数据帧并比较其时间复杂度。

按索引迭代

数据框是具有行和列的Pandas对象。数据帧的行和列都已建立索引，并且可以遍历索引以遍历行。

temp=[]
for idx in range(0,df.shape[0],1):
    name_new = df['name'].iloc[idx].strip()
    temp.append(name_new)

遍历数据帧并执行剥离操作花了将近223秒（比iterrows函数快9倍）。

使用 to_dict()

只需将Pandas数据框转换为字典，即可遍历数据框并以闪电般的速度执行操作。 你可以在Pandas中使用.to_dict（）函数将数据框转换为字典。 现在，与iterrows（）函数相比，在字典上进行迭代相对非常快。

df_dict = df.to_dict('records')
temp=[]
for row in df_dict:
    name_new = row['name'].strip()
    temp.append(name_new)

对数据集的字典格式进行处理后耗时25.5秒，这比iterrows（）函数快77倍。

使用 apply()

apply() 是内置的Pandas函数，它允许传递一个函数并将其应用于Pandas系列的每个值。apply()函数本身并不快，但是它对Pandas库有很大的改进，因为该函数有助于根据所需条件隔离数据。

temp = df['name'].apply(lambda x: x.strip())

apply() 函数执行耗时4.60秒，比iterrows() 函数快427倍。

结论

在本文中，我们讨论了在Pandas数据帧上进行优化的几种技术，并比较了它们的时间复杂度。 建议在非常特殊的情况下使用iterrows()函数。

可以轻松地从使用iterrows（）或索引方法转变为基于字典的迭代技术，该技术将工作流程的速度提高了77倍。Apply函数的速度提高了约400倍，但用途有限，人们需要对代码进行大量更改才能转换为这种方法。

技术交流

欢迎转载、收藏本文，码字不易，有所收获点赞支持一下！

为方便进行学习交流，本号开通了技术交流群，添加方式如下：

直接添加小助手微信号：pythoner666，备注：CSDN+python，或者按照如下方式添加均可！