Pandas常见的性能优化方法

讨论 埼玉老师
Lv1 居士
发布在 Pandas   1151   0
讨论 埼玉老师   1151   0

    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。

    建议3:在groupby、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

    版权声明:作者保留权利,不代表意本站立场。如需转载请联系本站以及作者。

    参与讨论

    回复《 Pandas常见的性能优化方法

    EditorJs 编辑器

    沙发,很寂寞~
    反馈
    to-top--btn