如何使用pandas来加速你的代码？

点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”

作者：George Seif

编译：ronghuaiyang

Pandas是为一次性处理整个行或列的矢量化操作而设计的—循环遍历每个单元格、行或列并不是这个库的设计用途。因此，在使用Pandas时，你应该考虑到矩阵操作是高度并行化的。

Pandas对数据科学界来说是一份天赐的礼物。问任何一个数据科学家，他们喜欢如何使用Python处理他们的数据集，他们无疑会谈到Pandas。

Pandas是一个伟大的编程库的缩影：简单、直观、功能广泛。

然而，对数据科学家的一项常规任务，使用Pandas进行数千甚至数百万次的计算，仍然是一个挑战。你不能只是将数据放入，编写Python for循环，然后期望在合理的时间内处理数据。

Pandas是为一次性处理整个行或列的矢量化操作而设计的—循环遍历每个单元格、行或列并不是这个库的设计用途。因此，在使用Pandas时，你应该考虑到矩阵操作是高度并行化的。

本指南将教你如何使用Pandas的方式，它被设计用来使用矩阵运算。在此过程中，我将向你展示一些实用的节省时间的技巧和技巧，它们将使你的Pandas代码运行得比那些可怕的Python for循环快得多！

设置

在本教程中，我们将使用经典的鸢尾花数据集。我们通过使用seaborn加载数据集并打印出前5行来开始。

import seaborn as sns	
import pandas as pd	
data = sns.load_dataset('iris')	
print(data.head())	
### Prints out	
#       sepal_length  sepal_width  petal_length  petal_width species	
# 0           5.1          3.5           1.4          0.2  setosa	
# 1           4.9          3.0           1.4          0.2  setosa	
# 2           4.7          3.2           1.3          0.2  setosa	
# 3           4.6          3.1           1.5          0.2  setosa	
# 4           5.0          3.6           1.4          0.2  setosa

现在让我们建立一个基线，用Python for循环来测量我们的速度。我们将通过循环遍历每一行来设置要在数据集上执行的计算，然后测量整个操作的速度。这将为我们提供一个基准，看看我们的新优化能在多大程度上帮助我们加速。

import seaborn as sns	
import time	
data = sns.load_dataset('iris')	
def compute_class(petal_length):	
    if petal_length <= 2:	
        return 1	
    elif 2 < petal_length < 5:	
        return 2	
    else:	
        return 3	
start = time.time()	
class_list = list()	
for i in range(len(data)):	
    petal_length = data.iloc[i]['petal_length']	
    class_num = compute_class(petal_length)	
    class_list.append(class_num)	
end = time.time()	
print("For-loop run time = {}".format(end - start))

在上面的代码中，我们创建了一个基本函数，它使用If-Else语句根据花瓣的长度选择花的类。我们编写了一个for循环，通过循环dataframe对每一行使用这个函数，然后测量循环的总运行时间。

在我的i7-8700k计算机上，循环运行5次平均需要0.01345秒。

使用.iterrows()来实现循环

我们可以立即做的最简单但非常有价值的加速是使用Pandas的内置 .iterrows()函数。

在上一节中编写for循环时，我们使用了 range()函数。然而，当我们在Python中对大范围的值进行循环时，生成器往往要快得多。在本文中(https://towardsdatascience.com/5-advancedfeaturesof-python-and-how-use-them-73bffa373c84)，你可以阅读更多关于生成器如何工作的信息，并加快运行速度。

Pandas中的 .iterrows()函数在内部实现了一个生成器函数，它将在每次迭代中“生成”一行数据。更准确地说， .iterrows()为DataFrame中的每一行生成(index, Series) 的对(元组)。这实际上与在原始Python中使用类似于 enumerate()的东西是一样的，但是运行速度要快得多。

下面我们修改了代码，使用 .iterrows()替常规的for循环。在我上一节测试所用的同一台机器上，平均运行时间为0.005892秒—提高了2.28倍！

import seaborn as sns	
import time	
data = sns.load_dataset('iris')	
def compute_class(petal_length):	
    if petal_length <= 2:	
        return 1	
    elif 2 < petal_length < 5:	
        return 2	
    else:	
        return 3	
start = time.time()	
class_list = list()	
for index, data_row in data.iterrows():	
    petal_length = data_row['petal_length']	
    class_num = compute_class(petal_length)	
    class_list.append(class_num)	
end = time.time()	
print("Iterrows run time = {}".format(end - start))

使用.apply()完全丢掉循环

.iterrows()函数极大地提高了速度，但还远远不够。请始终记住，当使用为向量操作设计的库时，可能有一种方法可以在完全没有for循环的情况下最高效地完成任务。

提供这种功能的Pandas函数是 .apply()函数。我们的函数 .apply()接受另一个函数作为它的输入，并沿着DataFrame的轴(行、列等)应用它。在传递函数的这种情况下，lambda通常可以方便地将所有内容打包在一起。

在下面的代码中，我们已经完全用 .apply()和lambda函数替换了for循环来封装我们想要的计算。在我的机器上，这段代码的平均运行时间是0.0020897秒—比原来的for循环快6.44倍。

import seaborn as sns	
import time	
data = sns.load_dataset('iris')	
def compute_class(petal_length):	
    if petal_length <= 2:	
        return 1	
    elif 2 < petal_length < 5:	
        return 2	
    else:	
        return 3	
start = time.time()	
class_list = data.apply(lambda row: compute_class(row['petal_length']), axis=1)	
end = time.time()	
print(".apply() run time = {}".format(end - start))

.apply()之所以要快得多，是因为它在内部尝试遍历Cython迭代器。如果你的函数恰好为Cython进行了很好的优化， .apply()将使你的速度更快。额外的好处是，使用内置函数可以生成更干净、更可读的代码。

最后是使用cut

前面我提到过，如果你正在使用一个为向量化操作设计的库，那么你应该始终寻找一种不使用for循环进行任何计算的方法。

类似地，许多以这种方式设计的库，包括Pandas，都具有方便的内置函数，可以执行你正在寻找的精确计算—但是速度更快。

Pandas的 .cut()函数接受一组 bins为输入，其中定义每个If-Else的范围，以及一组 labels作为输入，其中定义为每个范围返回哪个值。然后，它执行与我们用 compute_class()函数手动编写的操作完全相同的操作。

查看下面的代码，看看 .cut()是如何工作的。我们又一次得到了更干净、更可读的代码。最后， .cut()函数平均运行0.001423秒—比原来的for循环快了9.39倍！

import seaborn as sns	
import time	
import pandas as pd	
data = sns.load_dataset('iris')	
start = time.time()	
class_list = pd.cut(x=data.petal_length,	
                   bins=[0, 2, 5, 100],	
                   include_lowest=True,	
                   labels=[1, 2, 3]).astype(int)	
end = time.time()	
print(".cut() run time = {}".format(end - start))

英文原文：https://towardsdatascience.com/how-to-use-pandas-the-right-way-to-speed-up-your-code-4a19bd89926d

请长按或扫描二维码关注本公众号

喜欢的话，请给我个好看吧！