Python: Pandas运算的效率探讨以及如何选择高效的运算方式

Posted 2020-09-28

本文就Pandas的运行效率作一个对比的测试，来探讨用哪些方式，会使得运行效率较好。

测试环境如下：

• windows 7， 64位
• python 3.5
• pandas 0.19.2
• numpy 1.11.3
• jupyter notebook

需要说明的是，不同的系统，不同的电脑配置，不同的软件环境，运行结果可能有些差异。就算是同一台电脑，每次运行时，运行结果也不完全一样。

1 测试内容

测试的内容为，分别用三种方法来计算一个简单的运算过程，即 a*a+b*b 。

三种方法分别是：

1. python的for循环
2. Pandas的Series
3. Numpy的ndarray

首先构造一个DataFrame，数据量的大小，即DataFrame的行数，分别为10， 100， 1000， … ，直到10,000,000（一千万）。

然后在jupyter notebook中，用下面的代码分别去测试，来查看不同方法下的运行时间，做一个对比。

import pandas as pd
import numpy as np

# 100分别用 10，100，...，10,000,000来替换运行
list_a = list(range(100))
# 200分别用 20，200，...，20,000,000来替换运行
list_b = list(range(100,200))
print(len(list_a))
print(len(list_b))

df = pd.DataFrame({‘a‘:list_a, ‘b‘:list_b})
print(‘数据维度为：{}‘.format(df.shape))
print(len(df))
print(df.head())

100
100
数据维度为：(100, 2)
100
   a    b
0  0  100
1  1  101
2  2  102
3  3  103
4  4  104

• 执行运算， a*a + b*b

• Method 1: for循环

%%timeit

# 当DataFrame的行数大于等于1000000时，请用 %%time 命令
for i in range(len(df)):
    df[‘a‘][i]*df[‘a‘][i]+df[‘b‘][i]*df[‘b‘][i]

100 loops, best of 3: 12.8 ms per loop

• Method 2: Series

type(df[‘a‘])

pandas.core.series.Series

%%timeit
df[‘a‘]*df[‘a‘]+df[‘b‘]*df[‘b‘]

The slowest run took 5.41 times longer than the fastest. This could mean that an intermediate result is being cached.
1000 loops, best of 3: 669 µs per loop

• Method 3: ndarray

type(df[‘a‘].values)

numpy.ndarray

%%timeit
df[‘a‘].values*df[‘a‘].values+df[‘b‘].values*df[‘b‘].values

10000 loops, best of 3: 34.2 µs per loop

2 测试结果

运行结果如下：

从运行结果可以看出，for循环明显比Series和ndarray要慢很多，并且数据量越大，差异越明显。当数据量达到一千万行时，for循环的表现也差一万倍以上。 而Series和ndarray之间的差异则没有那么大。

PS： 1000万行时，for循环运行耗时特别长，各位如果要测试，需要注意下，请用 %%time 命令（只测试一次）。

下面通过图表来对比下Series和ndarray之间的表现。

从上图可以看出，当数据小于10万行时，ndarray的表现要比Series好些。而当数据行数大于100万行时，Series的表现要稍微好于ndarray。当然，两者的差异不是特别明显。

所以一般情况下，个人建议，for循环，能不用则不用，而当数量不是特别大时，建议使用ndarray（即df[‘col’].values）来进行计算，运行效率相对来说要好些。

?