Pandas中Apply函数加速百倍的技巧！

2022-04-25 16:09:18

来源：kaggle竞赛宝典

转自：Python大数据分析

大家好，我是小z，也可以叫我阿粥~

虽然目前dask,cudf等包的出现，使得我们的数据处理大大得到了加速，但是并不是每个人都有比较好的gpu，非常多的朋友仍然还在使用pandas工具包，但有时候真的很无奈，pandas的许多问题我们都需要使用apply函数来进行处理，而apply函数是非常慢的，本文我们就介绍如何加速apply函数600倍的技巧。

实验对比

01 Apply(Baseline)

我们以Apply为例，原始的Apply函数处理下面这个问题，需要18.4s的时间。


import pandas as pdimport numpy as npdf = pd.DataFrame(np.random.randint(, 11, size=(1000000, 5)), columns=('a','b','c','d','e'))def func(a,b,c,d,e):    if e == 10:        return c*d    elif (e < 10) and (e>=5):        return c+d    elif e < 5:        return a+b%%timedf['new'] = df.apply(lambda x: func(x['a'], x['b'], x['c'], x['d'], x['e']), axis=1)CPU times: user 17.9 s, sys: 301 ms, total: 18.2 sWall time: 18.4 s

02 Swift加速

因为处理是并行的，所以我们可以使用Swift进行加速，在使用Swift之后，相同的操作在我的机器上可以提升到7.67s。


%%time# !pip install swifterimport swifterdf['new'] = df.swifter.apply(lambda x : func(x['a'],x['b'],x['c'],x['d'],x['e']),axis=1)HBox(children=(HTML(value='Dask Apply'), FloatProgress(value=0.0, max=16.0), HTML(value='')))
CPU times: user 329 ms, sys: 240 ms, total: 569 msWall time: 7.67 s

03 向量化

使用Pandas和Numpy的快方法是将函数向量化。如果我们的操作是可以直接向量化的话，那么我们就尽可能的避免使用：

for循环；
列表处理；
apply等操作

在将上面的问题转化为下面的处理之后，我们的时间缩短为：421 ms。


%%timedf['new'] = df['c'] * df['d'] #default case e = =10mask = df['e'] < 10df.loc[mask,'new'] = df['c'] + df['d']mask = df['e'] < 5df.loc[mask,'new'] = df['a'] + df['b']CPU times: user 134 ms, sys: 149 ms, total: 283 msWall time: 421 ms

04 类别转化+向量化

我们先将上面的类别转化为int16型，再进行相同的向量化操作，发现时间缩短为：116 ms。



for col in ('a','b','c','d'):    df[col] = df[col].astype(np.int16) %%timedf['new'] = df['c'] * df['d'] #default case e = =10mask = df['e'] < 10df.loc[mask,'new'] = df['c'] + df['d']mask = df['e'] < 5df.loc[mask,'new'] = df['a'] + df['b']CPU times: user 71.3 ms, sys: 42.5 ms, total: 114 msWall time: 116 ms

05 转化为values处理

在能转化为.values的地方尽可能转化为.values，再进行操作。

此处先转化为.values等价于转化为numpy，这样我们的向量化操作会更加快捷。

于是，上面的操作时间又被缩短为：74.9ms。


%%timedf['new'] = df['c'].values * df['d'].values #default case e = =10mask = df['e'].values < 10df.loc[mask,'new'] = df['c'] + df['d']mask = df['e'].values < 5df.loc[mask,'new'] = df['a'] + df['b']CPU times: user 64.5 ms, sys: 12.5 ms, total: 77 msWall time: 74.9 ms