pandas的優(yōu)點有哪些

本篇內(nèi)容主要講解“pandas的優(yōu)點有哪些”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學(xué)習(xí)“pandas的優(yōu)點有哪些”吧!

下面是一個例子，數(shù)據(jù)獲取方式見文末。

>>> import pandas as pd  # 導(dǎo)入數(shù)據(jù)集  >>> df = pd.read_csv('demand_profile.csv')  >>> df.head()       date_time  energy_kwh  0  1/1/13 0:00       0.586  1  1/1/13 1:00       0.580  2  1/1/13 2:00       0.572  3  1/1/13 3:00       0.596  4  1/1/13 4:00       0.592

基于上面的數(shù)據(jù)，我們現(xiàn)在要增加一個新的特征，但這個新的特征是基于一些時間條件生成的，根據(jù)時長（小時）而變化，如下：

因此，如果你不知道如何提速，那正常第一想法可能就是用apply方法寫一個函數(shù)，函數(shù)里面寫好時間條件的邏輯代碼。

def apply_tariff(kwh, hour):      """計算每個小時的電費"""          if 0 <= hour < 7:          rate = 12      elif 7 <= hour < 17:          rate = 20      elif 17 <= hour < 24:          rate = 28      else:          raise ValueError(f'Invalid hour: {hour}')      return rate * kwh

然后使用for循環(huán)來遍歷df，根據(jù)apply函數(shù)邏輯添加新的特征，如下：

>>> # 不贊同這種操作  >>> @timeit(repeat=3, number=100)  ... def apply_tariff_loop(df): ...     """用for循環(huán)計算enery cost，并添加到列表"""  ...     energy_cost_list = []  ...     for i in range(len(df)):  ...         # 獲取用電量和時間（小時）  ...         energy_used = df.iloc[i]['energy_kwh']  ...         hour = df.iloc[i]['date_time'].hour  ...         energy_cost = apply_tariff(energy_used, hour)  ...         energy_cost_list.append(energy_cost)  ...     df['cost_cents'] = energy_cost_list  ...   >>> apply_tariff_loop(df)  Best of 3 trials with 100 function calls per trial:  Function `apply_tariff_loop` ran in average of 3.152 seconds.

對于那些寫Pythonic風(fēng)格的人來說，這個設(shè)計看起來很自然。然而，這個循環(huán)將會嚴(yán)重影響效率。原因有幾個：

首先，它需要初始化一個將記錄輸出的列表。

其次，它使用不透明對象范圍(0，len(df))循環(huán)，然后再應(yīng)用apply_tariff()之后，它必須將結(jié)果附加到用于創(chuàng)建新DataFrame列的列表中。另外，還使用df.iloc [i]['date_time']執(zhí)行所謂的鏈?zhǔn)剿饕?，這通常會導(dǎo)致意外的結(jié)果。

這種方法的最大問題是計算的時間成本。對于8760行數(shù)據(jù)，此循環(huán)花費了3秒鐘。

接下來，一起看下優(yōu)化的提速方案。

使用 iterrows循環(huán)

第一種可以通過pandas引入iterrows方法讓效率更高。這些都是一次產(chǎn)生一行的生成器方法，類似scrapy中使用的yield用法。

.itertuples為每一行產(chǎn)生一個namedtuple，并且行的索引值作為元組的第一個元素。nametuple是Python的collections模塊中的一種數(shù)據(jù)結(jié)構(gòu)，其行為類似于Python元組，但具有可通過屬性查找訪問的字段。

.iterrows為DataFrame中的每一行產(chǎn)生（index，series）這樣的元組。

在這個例子中使用.iterrows，我們看看這使用iterrows后效果如何。

>>> @timeit(repeat=3, number=100)  ... def apply_tariff_iterrows(df):  ...     energy_cost_list = []  ...     for index, row in df.iterrows():  ...         # 獲取用電量和時間（小時）  ...         energy_used = row['energy_kwh']  ...         hour = row['date_time'].hour  ...         # 添加cost列表  ...         energy_cost = apply_tariff(energy_used, hour)  ...         energy_cost_list.append(energy_cost)  ...     df['cost_cents'] = energy_cost_list  ...  >>> apply_tariff_iterrows(df)  Best of 3 trials with 100 function calls per trial:  Function `apply_tariff_iterrows` ran in average of 0.713 seconds.

這樣的語法更明確，并且行值引用中的混亂更少，因此它更具可讀性。

時間成本方面：快了近5倍！

但是，還有更多的改進(jìn)空間，理想情況是可以用pandas內(nèi)置更快的方法完成。

pandas的apply方法

我們可以使用.apply方法而不是.iterrows進(jìn)一步改進(jìn)此操作。pandas的.apply方法接受函數(shù)callables并沿DataFrame的軸(所有行或所有列)應(yīng)用。下面代碼中，lambda函數(shù)將兩列數(shù)據(jù)傳遞給apply_tariff()：

>>> @timeit(repeat=3, number=100)  ... def apply_tariff_withapply(df):  ...     df['cost_cents'] = df.apply(  ...         lambda row: apply_tariff(  ...             kwh=row['energy_kwh'],  ...             hour=row['date_time'].hour),  ...         axis=1)  ...  >>> apply_tariff_withapply(df)  Best of 3 trials with 100 function calls per trial:  Function `apply_tariff_withapply` ran in average of 0.272 seconds.

apply的語法優(yōu)點很明顯，行數(shù)少，代碼可讀性高。在這種情況下，所花費的時間大約是iterrows方法的一半。

但是，這還不是“非?？臁?。一個原因是apply()將在內(nèi)部嘗試循環(huán)遍歷Cython迭代器。但是在這種情況下，傳遞的lambda不是可以在Cython中處理的東西，因此它在Python中調(diào)用并不是那么快。

如果我們使用apply()方法獲取10年的小時數(shù)據(jù)，那么將需要大約15分鐘的處理時間。如果這個計算只是大規(guī)模計算的一小部分，那么真的應(yīng)該提速了。這也就是矢量化操作派上用場的地方。

矢量化操作：使用.isin選擇數(shù)據(jù)

什么是矢量化操作？

如果你不基于一些條件，而是可以在一行代碼中將所有電力消耗數(shù)據(jù)應(yīng)用于該價格：df ['energy_kwh'] * 28，類似這種。那么這個特定的操作就是矢量化操作的一個例子，它是在pandas中執(zhí)行的最快方法。

但是如何將條件計算應(yīng)用為pandas中的矢量化運算？

一個技巧是：根據(jù)你的條件，選擇和分組DataFrame，然后對每個選定的組應(yīng)用矢量化操作。

在下面代碼中，我們將看到如何使用pandas的.isin()方法選擇行，然后在矢量化操作中實現(xiàn)新特征的添加。在執(zhí)行此操作之前，如果將date_time列設(shè)置為DataFrame的索引，會更方便：

# 將date_time列設(shè)置為DataFrame的索引  df.set_index('date_time', inplace=True)  @timeit(repeat=3, number=100)  def apply_tariff_isin(df):      # 定義小時范圍Boolean數(shù)組      peak_hours = df.index.hour.isin(range(17, 24))      shoulder_hours = df.index.hour.isin(range(7, 17))      off_peak_hours = df.index.hour.isin(range(0, 7))     # 使用上面apply_traffic函數(shù)中的定義      df.loc[peak_hours, 'cost_cents'] = df.loc[peak_hours, 'energy_kwh'] * 28      df.loc[shoulder_hours,'cost_cents'] = df.loc[shoulder_hours, 'energy_kwh'] * 20      df.loc[off_peak_hours,'cost_cents'] = df.loc[off_peak_hours, 'energy_kwh'] * 12

我們來看一下結(jié)果如何。

>>> apply_tariff_isin(df)  Best of 3 trials with 100 function calls per trial:  Function `apply_tariff_isin` ran in average of 0.010 seconds.

提示，上面.isin()方法返回的是一個布爾值數(shù)組，如下：

[False, False, False, ..., True, True, True]

布爾值標(biāo)識了DataFrame索引datetimes是否落在了指定的小時范圍內(nèi)。然后把這些布爾數(shù)組傳遞給DataFrame的.loc，將獲得一個與這些小時匹配的DataFrame切片。然后再將切片乘以適當(dāng)?shù)馁M率，這就是一種快速的矢量化操作了。

上面的方法完全取代了我們最開始自定義的函數(shù)apply_tariff()，代碼大大減少，同時速度起飛。

運行時間比Pythonic的for循環(huán)快315倍，比iterrows快71倍，比apply快27倍！

還能更快？

太刺激了，我們繼續(xù)加速。

在上面apply_tariff_isin中，我們通過調(diào)用df.loc和df.index.hour.isin三次來進(jìn)行一些手動調(diào)整。如果我們有更精細(xì)的時間范圍，你可能會說這個解決方案是不可擴(kuò)展的。但在這種情況下，我們可以使用pandas的pd.cut()函數(shù)來自動完成切割：

@timeit(repeat=3, number=100)  def apply_tariff_cut(df):      cents_per_kwh = pd.cut(x=df.index.hour,                             bins=[0, 7, 17, 24],                             include_lowest=True,                             labels=[12, 20, 28]).astype(int)      df['cost_cents'] = cents_per_kwh * df['energy_kwh']

上面代碼pd.cut()會根據(jù)bin列表應(yīng)用分組。

其中include_lowest參數(shù)表示第一個間隔是否應(yīng)該是包含左邊的。

這是一種完全矢量化的方法，它在時間方面是最快的：

>>> apply_tariff_cut(df)  Best of 3 trials with 100 function calls per trial:  Function `apply_tariff_cut` ran in average of 0.003 seconds.

到目前為止，使用pandas處理的時間上基本快達(dá)到極限了！只需要花費不到一秒的時間即可處理完整的10年的小時數(shù)據(jù)集。

但是，最后一個其它選擇，就是使用 NumPy，還可以更快！

使用Numpy繼續(xù)加速

使用pandas時不應(yīng)忘記的一點是Pandas的Series和DataFrames是在NumPy庫之上設(shè)計的。并且，pandas可以與NumPy陣列和操作無縫銜接。

下面我們使用NumPy的 digitize()函數(shù)更進(jìn)一步。它類似于上面pandas的cut()，因為數(shù)據(jù)將被分箱，但這次它將由一個索引數(shù)組表示，這些索引表示每小時所屬的bin。然后將這些索引應(yīng)用于價格數(shù)組：

@timeit(repeat=3, number=100)  def apply_tariff_digitize(df):      prices = np.array([12, 20, 28])      bins = np.digitize(df.index.hour.values, bins=[7, 17, 24])      df['cost_cents'] = prices[bins] * df['energy_kwh'].values

與cut函數(shù)一樣，這種語法非常簡潔易讀。

>>> apply_tariff_digitize(df)  Best of 3 trials with 100 function calls per trial:  Function `apply_tariff_digitize` ran in average of 0.002 seconds.

0.002秒！ 雖然仍有性能提升，但已經(jīng)很邊緣化了。

到此，相信大家對“pandas的優(yōu)點有哪些”有了更深的了解，不妨來實際操作一番吧！這里是億速云網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！