Pandas常见的性能优化方法
dapan2019-11-08 05:55:45

文章来源于Datawhale ,作者阿水



Pandas是数据科学和数据竞赛中常见的库,我们使用Pandas可以进行快速读取数据、分析数据、构造特征。但Pandas在使用上有一些技巧和需要注意的地方,如果你没有合适的使用,那么Pandas可能运行速度非常慢。本文将整理一些Pandas使用技巧,主要是用来节约内存和提高代码速度。

1 数据读取与存取

在Pandas中内置了众多的数据读取函数,可以读取众多的数据格式,最常见的就是read_csv函数从csv文件读取数据了。但read_csv在读取大文件时并不快,所以建议你使用read_csv读取一次原始文件,将dataframe存储为HDF或者feather格式。一般情况下HDF的读取比读取csv文件快几十倍,但HDF文件在大小上会稍微大一些。

建议1:尽可能的避免读取原始csv,使用hdf、feather或h5py格式文件加快文件读取;

在某些定长的字符数据的读取情况下,read_csv读取速度比codecs.readlines慢很多倍。同时如果你想要表格尽量占用较小的内存,可以在read_csv时就设置好每类的类型。

2 itertuples与iterrows

itertuples和iterrows都能实现按行进行迭代的操作,但在任何情况下itertuples都比iterrows快很多倍。

建议2:如果必须要要用iterrows,可以用itertuples来进行替换。

3 apply、transform和agg时尽量使用内置函数

在很多情况下会遇到groupby之后做一些统计值计算,而如果用内置函数的写法会快很多。

transform() 方法+自定义函数,用时1分57s

transform() 方法+内置方法,用时712ms

agg() 方法+自定义函数,用时1分2s

agg() 方法+内置方法,用时694ms

建议3:在grouby、agg和transform时尽量使用内置函数计算。

这一部分的统计数据来自:

https://www.cnblogs.com/wkang/p/9794678.html

4 第三方库并行库

由于Pandas的一些操作都是单核的,往往浪费其他核的计算时间,因此有一些第三方库对此进行了改进:

modin:对读取和常见的操作进行并行;

swifter:对apply函数进行并行操作;

当然我之前也对此类库进行了尝试,在一些情况下会快一些,但还是不太稳定。在阿里云安全赛中我是用joblib库写的并行特征提取,比单核特征提取快60倍。

建议4:如果能并行就并行,用第三方库或者自己手写多核计算。

5 代码优化思路

在优化Pandas时可以参考如下操作的时间对比:

建议5:在优化的过程中可以按照自己需求进行优化代码,写代码尽量避免循环,尽量写能够向量化计算的代码,尽量写多核计算的代码。

Pandas官方也写了一篇性能优化的文章,非常值得阅读:

https://pandas.pydata.org/pandas-docs/stable/user_guide/enhancingperf.html

0
0
wojiuzhuai :学习了
2019-11-08 17:28:20
0