提高性能（矢量化？） pandas.groupby.aggregate

Posted 2023-03-11

【中文标题】提高性能（矢量化？） pandas.groupby.aggregate

【英文标题】：Improve performances (vectorize?) pandas.groupby.aggregate

【发布时间】：2021-03-13 07:31:04

【问题描述】：

我正在尝试使用自定义聚合函数来提高 pandas.groupby.aggregate 操作的性能。我注意到 - 如果我错了，请纠正我 - pandas 按顺序调用每个块上的聚合函数（我怀疑它是一个简单的 for-loop）。

由于pandas 很大程度上基于numpy，有没有办法使用numpy 的矢量化功能加快计算速度？

我的代码

在我的代码中，我需要将风数据平均样本聚合在一起。虽然平均风速是微不足道的，但平均风向需要更特殊的代码（例如，1 度和 359 度的平均值是 0 度，而不是 180 度）。

我的聚合函数所做的是：

移除 NaN 如果不存在其他值，则返回 NaN 检查是否存在指示可变风向的特殊标志。如果是，则返回标志 用vector-averaging algorithm 平均风向

函数是：

def meandir(x):
    '''
    Parameters
    ----------
    x : pandas.Series
        pandas series to be averaged

    Returns
    -------
    float
        averaged wind direction
    '''

    # Removes the NaN from the recording
    x = x.dropna()

    # If the record is empty, return NaN
    if len(x)==0:
        return np.nan

    # If the record contains variable samples (990) return variable (990)
    elif np.any(x == 990):
        return 990

    # Otherwise sum the vectors and return the angle
    else:
        angle = np.rad2deg(
                           np.arctan2(
                                   np.sum(np.sin(np.deg2rad(x))),
                                   np.sum(np.cos(np.deg2rad(x)))
                                     )
                          )

        #Wrap angles from (-pi,pi) to (0,360)
        return (angle + 360) % 360

你可以测试一下

from timeit import repeat
import pandas as pd
import numpy as np

N_samples = int(1e4)
N_nan = N_var = int(0.02 * N_samples)

# Generate random data
data = np.random.rand(N_samples,2) * [30, 360]
data[np.random.choice(N_samples, N_nan), 1] = np.nan
data[np.random.choice(N_samples, N_var), 1] = 990

# Create dataset
df = pd.DataFrame(data, columns=['WindSpeed', 'WindDir'])
df.index = pd.date_range(start='2000-01-01 00:00', periods=N_samples, freq='10min')

# Run groupby + aggregate
grouped = df.groupby(pd.Grouper(freq='H'))   # Data from 14.30 to 15.29 are rounded to 15.00
aggfuns1 = 'WindSpeed': np.mean, 'WindDir':meandir
aggfuns2 = 'WindSpeed': np.mean, 'WindDir':np.mean

res = repeat(stmt='grouped.agg(aggfuns1)', globals=globals(), number=1, repeat=10)
print(f'With custom aggregating function min(res)*1000:.2f ms')

res = repeat(stmt='grouped.agg(aggfuns2)', globals=globals(), number=1, repeat=10)
print(f'Without custom aggregating function min(res)*1000:.2f ms')

在我的电脑上用于N_samples=1e4 输出：

With custom aggregating function 1500.79 ms
Without custom aggregating function 2.08 ms

自定义聚合函数慢了 750 倍 并带有N_samples=1e6 输出：

With custom aggregating function 142967.17 ms
Without custom aggregating function 21.92 ms

自定义聚合函数慢了 6500 倍！

有没有办法加快这行代码的速度？

【问题讨论】：

快速提问，repeat 函数使用什么？哪个特定的 API？

@AkshaySehgal timeit。当我粘贴代码时，import 行被剪掉了。我立即编辑以包含它

那个特殊值990是什么？

@PierreD 它表示可变风向。分发数据的组织 (NOAA) 选择了它。您可以或多或少地将其视为 NaN。但是，虽然 NaN 表示缺失样本，但它表示已测量的样本，但测量值是“可变的”

哦，我明白了：所以如果存在，那么您希望该 bin 中的平均值也是可变的。

【参考方案1】：

关键是尽量矢量化整个df，让groupby只使用内置方法。

这是一种方法。诀窍是将角度转换为复数，numpy 会很高兴地求和 （还有groupby，但groupby 会拒绝mean()）。因此，我们将角度转换为complex、sum，然后 转换回角度。角度的“有趣平均值”与您的代码中使用的相同，并在您引用的 Wikipedia 页面上进行了描述。

关于特殊值 (990) 的处理，它也可以向量化：比较 s.groupby(...).count() 和 .replace(val, nan).groupby(...).count() 会找到至少有其中一个的所有组。

不管怎样，这里是：

def to_complex(s):
    return np.exp(np.deg2rad(s) * 1j)

def to_angle(s):
    return np.angle(s, deg=True) % 360

def mask_val(s, grouper, val=990):
    return s.groupby(grouper).count() != s.replace(val, np.nan).groupby(grouper).count()

def myagg(df, grouper, val=990, winddir='WindDir'):
    s = df[winddir]
    mask = mask_val(s, grouper, val)
    gb = to_complex(s).groupby(grouper)
    s = gb.sum()
    cnt = gb.count()
    s = to_angle(s) * (cnt / cnt)  # put NaN where all NaNs
    s[mask] = val
    
    # other columns
    agg = df.groupby(grouper).mean()
    agg[winddir] = s

    return agg

应用：

为方便起见，我将您的示例生成放入函数gen_example(N_samples)。

df = gen_example(50)
myagg(df, pd.Grouper(freq='H'))

Out[ ]:
                     WindSpeed     WindDir
2000-01-01 00:00:00  12.991717  354.120464
2000-01-01 01:00:00  15.743056   60.813629
2000-01-01 02:00:00  14.593927  245.487383
2000-01-01 03:00:00  17.836368  131.493675
2000-01-01 04:00:00  18.987296   27.150359
2000-01-01 05:00:00  16.415725  194.923399
2000-01-01 06:00:00  20.881816  990.000000
2000-01-01 07:00:00  15.033480   44.626018
2000-01-01 08:00:00  16.276834   29.252459

速度：

df = gen_example(10_000)
%timeit myagg(df, pd.Grouper(freq='H'))

Out[ ]:
6.76 ms ± 12.3 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

df = gen_example(1e6)
%timeit myagg(df, pd.Grouper(freq='H'))

Out[ ]:
189 ms ± 425 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

测试：

idx = [0] * 4
grouper = pd.Grouper(level=0)

myagg(pd.DataFrame('WindDir': [170, 170, 178, 182], index=idx), grouper)
      WindDir
0  174.998473

myagg(pd.DataFrame('WindDir': [330, 359, 1, 40], index=idx), grouper)
    WindDir
0  2.251499

myagg(pd.DataFrame('WindDir': [330, 359, 1, np.nan], index=idx), grouper)
      WindDir
0  350.102878

myagg(pd.DataFrame('WindDir': [np.nan, np.nan, np.nan, np.nan], index=idx), grouper)
   WindDir
0      NaN

myagg(pd.DataFrame('WindDir': [330, 990, 1, np.nan], index=idx), grouper)
   WindDir
0    990.0

【讨论】：

为什么角度需要是复数？

@jakub：因为在 OP 引用的 Wikipedia 页面上非常雄辩地解释了原因：Mean of circular quantities。我最初错过了这一点，并认为，哦，好吧，可以做一些适当的模数。不是这样。示例：(0, 90, 180, 270) 度的角度平均值是多少？

谢谢！这非常有用——所有内容都有一个***页面。

非常感谢。所以这里的教训是“尽可能多地使用 usa pandas 内置（和矢量化）功能”，并且不要将 pandas.Groupby.aggreagate 与自定义聚合函数一起使用。我必须承认我希望学习如何加速我的自定义函数，而不是恢复到对内置函数的复杂使用。但是，我接受这个答案，因为它以一种非常聪明的方式解决了这个问题——最重要的是——达到了目标。赞！