为啥 pandas.to_datetime 对于非标准时间格式（例如“2014/12/31”）很慢

Posted 2023-03-11

【中文标题】为啥 pandas.to_datetime 对于非标准时间格式（例如“2014/12/31”）很慢

【英文标题】：Why is pandas.to_datetime slow for non standard time format such as '2014/12/31'为什么 pandas.to_datetime 对于非标准时间格式（例如“2014/12/31”）很慢

【发布时间】：2015-11-09 03:55:22

【问题描述】：

我有一个这种格式的 .csv 文件

timestmp, p
2014/12/31 00:31:01:9200, 0.7
2014/12/31 00:31:12:1700, 1.9
...

当通过pd.read_csv 读取并使用pd.to_datetime 将时间str 转换为日期时间时，性能会急剧下降。这是一个最小的例子。

import re
import pandas as pd

d = '2014-12-12 01:02:03.0030'
c = re.sub('-', '/', d)

%timeit pd.to_datetime(d)
%timeit pd.to_datetime(c)
%timeit pd.to_datetime(c, format="%Y/%m/%d %H:%M:%S.%f")

表演如下：

10000 loops, best of 3: 62.4 µs per loop
10000 loops, best of 3: 181 µs per loop
10000 loops, best of 3: 82.9 µs per loop

那么，在从 csv 文件读取日期时，如何提高 pd.to_datetime 的性能？

【参考方案1】：

这是因为当 pandas 具有非默认格式或未提供 format 字符串时，它会回退到 dateutil.parser.parse 来解析字符串（这更灵活，但也更慢）。

如上所示，您可以通过向to_datetime 提供format 字符串来提高性能。或者另一种选择是使用infer_datetime_format=True

---

显然，infer_datetime_format 无法推断何时有微秒。没有这些的例子，你可以看到一个很大的加速：

In [28]: d = '2014-12-24 01:02:03'

In [29]: c = re.sub('-', '/', d)

In [30]: s_c = pd.Series([c]*10000)

In [31]: %timeit pd.to_datetime(s_c)
1 loops, best of 3: 1.14 s per loop

In [32]: %timeit pd.to_datetime(s_c, infer_datetime_format=True)
10 loops, best of 3: 105 ms per loop

In [33]: %timeit pd.to_datetime(s_c, format="%Y/%m/%d %H:%M:%S")
10 loops, best of 3: 99.5 ms per loop

【讨论】：

infer_datetime_format=True 比较慢，结果是1000 loops, best of 3: 908 µs per loop。有没有更快的方法将非标准时间字符串转换为日期时间？

那是因为你在单个字符串上计时。如果你为更大的系列做这件事，你会看到加速。

正如我所说，有一种更快的方法，您自己在问题中使用的方法：提供format 字符串。

谢谢！还有一个问题，我会手动e = re.sub('/', '-', c) 并应用to_datetime(e) 可以提高性能吗？

我不这么认为。如果你能做到这一点，这意味着你肯定知道格式是什么，那么最好提供一个format 字符串。提供 ISO 格式的日期字符串的解析速度会更快一些，但这不会超过将 / 替换为 - 的时间

【参考方案2】：

通常我无法提前指定标准日期格式，因为我根本不知道每个客户会选择如何提交它。日期的格式无法预测，并且经常丢失。

在这些情况下，我发现将自己的包装器编写到dateutil.parser.parse 而不是使用pd.to_datetime 更有效：

import pandas as pd
from dateutil.parser import parse
import numpy as np

def parseDateStr(s):
    if s != '':
        try:
            return np.datetime64(parse(s))
        except ValueError:
            return np.datetime64('NaT')
    else: return np.datetime64('NaT')             

# Example data:
someSeries=pd.Series(  ['NotADate','','1-APR-16']*10000 )

# Compare times:
%timeit pd.to_datetime(someSeries, errors='coerce') #1 loop, best of 3: 1.78 s per loop
%timeit someSeries.apply(parseDateStr)              #1 loop, best of 3: 904 ms per loop

# The approaches return identical results:
someSeries.apply(parseDateStr).equals(pd.to_datetime(someSeries, errors='coerce')) # True

在这种情况下，运行时间减半，但 YMMV。

【参考方案3】：

这个问题已经得到了充分的回答，但我想添加一些我正在运行的测试的结果来优化我自己的代码。

我从 API 获得了这种格式：“Wed Feb 08 17:58:56 +0000 2017”。

使用带有隐式转换的默认 pd.to_datetime(SERIES)，处理大约 2000 万行需要一个多小时（取决于我有多少可用内存）。

也就是说，我测试了三种不同的转换：

# explicit conversion of essential information only -- parse dt str: concat
def format_datetime_1(dt_series):

    def get_split_date(strdt):
        split_date = strdt.split()
        str_date = split_date[1] + ' ' + split_date[2] + ' ' + split_date[5] + ' ' + split_date[3]
        return str_date

    dt_series = pd.to_datetime(dt_series.apply(lambda x: get_split_date(x)), format = '%b %d %Y %H:%M:%S')

    return dt_series

# explicit conversion of what datetime considers "essential date representation" -- parse dt str: del then join
def format_datetime_2(dt_series):

    def get_split_date(strdt):
        split_date = strdt.split()
        del split_date[4]
        str_date = ' '.join(str(s) for s in split_date)
        return str_date

    dt_series = pd.to_datetime(dt_series.apply(lambda x: get_split_date(x)), format = '%c')

    return dt_series

# explicit conversion of what datetime considers "essential date representation" -- parse dt str: concat
def format_datetime_3(dt_series):

    def get_split_date(strdt):
        split_date = strdt.split()
        str_date = split_date[0] + ' ' + split_date[1] + ' ' + split_date[2] + ' ' + split_date[3] + ' ' + split_date[5]
        return str_date

    dt_series = pd.to_datetime(dt_series.apply(lambda x: get_split_date(x)), format = '%c')

    return dt_series

# implicit conversion
def format_datetime_baseline(dt_series):

    return pd.to_datetime(dt_series)

这是结果：

# sample of 250k rows
dt_series_sample = df['created_at'][:250000]

%timeit format_datetime_1(dt_series_sample)        # best of 3: 1.56 s per loop
%timeit format_datetime_2(dt_series_sample)        # best of 3: 2.09 s per loop
%timeit format_datetime_3(dt_series_sample)        # best of 3: 1.72 s per loop
%timeit format_datetime_baseline(dt_series_sample) # best of 3: 1min 9s per loop

第一次测试的结果是令人印象深刻的运行时间减少了 97.7%！

有点令人惊讶的是，看起来即使是“适当的表示”也需要更长的时间，可能是因为它是半隐式的。

结论：越明确，运行速度越快。

【讨论】：

如果不考虑pd.to_datetime(dt_series, infer_datetime_format=True)，这个基准是非常没用的

好吧，我不会说它没用，但你说得对，那将是一个很好的补充（我实际上认为这是默认设置，基线函数中已经涵盖了它） )。也许您可以将其添加为答案？