使用 pandas 快速生成部分 DataFrame

Posted 2023-03-11

【中文标题】使用 pandas 快速生成部分 DataFrame

【英文标题】：Fast generation of partial DataFrames with pandas

【发布时间】：2020-07-31 16:54:25

【问题描述】：

我有一个这样的 CSV 文件。该文件有大约 200 万行。

2020/03/05 14:59:12.093,92.7884,93.8238
2020/03/05 14:59:14.571,97.1114,51.3926
2020/03/05 14:59:16.035,56.1351,62.6697
2020/03/05 14:59:16.992,90.3412,64.8728
         :

我想创建 pandas 数据帧，使每个数据帧有 2 分钟的跨度和 20 秒的滑动时间，如下所示。

DataFrame1:

2020/03/05 14:59:12.093,92.7884,93.8238
2020/03/05 14:59:14.571,97.1114,51.3926
2020/03/05 14:59:16.035,56.1351,62.6697
           :
2020/03/05 15:01:11.652,90.6966,37.9923
2020/03/05 15:01:11.918,35.8304,1.04157

DataFrame2:

2020/03/05 14:59:33.086,85.2834,57.327
2020/03/05 14:59:34.373,94.0521,33.8809
2020/03/05 14:59:38.752,36.8084,37.9878
           :
2020/03/05 15:01:33.090,70.4679,54.3437

等等。

我知道我可以用下面的代码做到这一点。

df = pd.read_csv(file_name, header=None, names=['time', 'colA', 'colB'])
df['time'] = pd.to_datetime(df['time'], format=r'%Y/%m/%d %H:%M:%S.%f')
df = df.set_index('time')
extracted_dfs = []
startdatetime = df.index[0]
enddatetime = df.index[len(df)-1]
curdatetime = startdatetime
while curdatetime < enddatetime:
    extracted_df = df[curdatetime:curdatetime + pd.Timedelta(seconds=120)].copy()
    extracted_dfs.append(extracted_df)
    curdatetime = curdatetime + pd.Timedelta(seconds=20)

但是这段代码很慢。大约需要 30 秒。 我怎样才能更快地做到这一点？

【问题讨论】：

我发现了一些有趣的东西，不确定效果如何，但值得一看。 pandas.DataFrame.between_time

您是否需要所有数据的真实副本，或者视图就足够了？每 20 秒创建一个每个 120 秒窗口的副本意味着您要为每行创建 6 个副本，这当然是缓慢且浪费资源的。是否有必要出于其他原因，例如您要在每个 DataFrame 中以不同方式修改同一行？

@JohnZwinck 是的，我需要真正的副本。我将把每一行的值修改为第一行的差异。

几个问题：（1）您是否考虑过并行化，例如使用 Dask？ (2) 回到复制与视图的问题，如何创建一个包含这些行重复的单个更大的数据框？什么就够了？

你试过Dask吗？

【参考方案1】：

我在 2.67GHz 笔记本电脑上将其缩短到了 6 秒。 在 24 小时内使用了 2M 行并获得了 4,320 个提取的 dfs，我猜这是一个足够好的缩放测试。

似乎我们通过将curdatetime + pd.Timedelta() 排除在循环之外节省了很多时间。

### toy dataframe
start = pd.to_datetime('2020-03-05 14:00')
n = int(2e6)
df = pd.DataFrame(
    'A': np.random.choice(100, n), 'B': np.random.choice(100, n),
    index=start + pd.to_timedelta(np.random.rand(n)*86400, unit='seconds')
    ).sort_index()

t0 = time()

### build all start datetimes for windows
gtimes = np.arange(start=df.index[0], stop=df.index[-1],
    step=pd.Timedelta(20, unit='seconds'))
extracted_dfs = [df.loc[gt:lt] for gt, lt in
    zip(gtimes, gtimes + pd.Timedelta(120, unit='seconds'))]


print(f'runtime: time() - t0s')
print(*extracted_dfs[:2], sep='\n\n')

输出

runtime: 5.9694719314575195s
                                A   B
2020-03-05 14:00:00.029956126  38  47
2020-03-05 14:00:00.043794997  19  93
2020-03-05 14:00:00.274295160  24  26
2020-03-05 14:00:00.345806566   7  96
2020-03-05 14:00:00.358988998  83  18
...                            ..  ..
2020-03-05 14:01:59.811072868  45  75
2020-03-05 14:01:59.895038311  36  26
2020-03-05 14:01:59.936082342  78   6
2020-03-05 14:01:59.974735739  17  25
2020-03-05 14:01:59.985301083   1  34

[2802 rows x 2 columns]

                                A   B
2020-03-05 14:00:20.037424719  95  49
2020-03-05 14:00:20.071532168  70  37
2020-03-05 14:00:20.086438199  46  45
2020-03-05 14:00:20.197759064  60  61
2020-03-05 14:00:20.261713915  31  20
...                            ..  ..
2020-03-05 14:02:19.633312110  30  34
2020-03-05 14:02:19.646400725  50   2
2020-03-05 14:02:19.804335407  40  75
2020-03-05 14:02:19.841056690  18  75
2020-03-05 14:02:19.857622011  90  46

[2768 rows x 2 columns]