pandas高效实现条件逻辑

作者|Louis Chan
编译|VK
来源|Towards Data Science

Python可以说是当今最酷的编程语言（多亏了机器学习和数据科学），但与最好的编程语言之一C相比，它的效率并不是很高。

在开发机器学习模型时，很常见的情况是，我们需要根据从统计分析或上一次迭代的结果导出的硬编码规则，然后以编程方式更新。承认这一点并不羞耻：我一直在用Pandas apply编写代码，直到有一天我对嵌套非常厌烦，于是决定研究（又称Google）其他更可维护、更高效的方法

演示数据集

我们将要使用的数据集是iris数据集，你可以通过pandas或seaborn免费获得它。

import pandas as pd
iris = pd.read_csv('https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv')

# import seaborn as sns
# iris = sns.load_dataset("iris")

iris数据集的前5行

数据统计信息

假设在初始分析之后，我们希望用以下逻辑标记数据集：

• 如果萼片长度（sepal length）< 5.1，则标签为0；
• 否则，如果萼片宽度（sepal width）> 3.3和萼片长度< 5.8，则标签为1；
• 否则，如果萼片宽度> 3.3，花瓣长度（petal length）> 5.1，则标签为2；
• 否则，如果萼片宽度> 3.3，花瓣长度< 1.6且萼片长度< 6.4或花瓣宽度< 1.3，则标签3；
• 否则，如果萼片宽度>3.3且萼片长度< 6.4或花瓣宽度< 1.3，则标签为4；
• 否则，如果萼片宽度> 3.3，则标签为5；
• 否则标签6

在深入研究代码之前，让我们快速地将一个新的label列设置为None：

iris['label'] = None

Pandas.iterrows+嵌套If Else块

如果你还在用这个，这篇博文绝对是适合你的地方！

%%timeit
for idx, row in iris.iterrows():
  if row['sepal_length'] < 5.1:
    iris.loc[idx, 'label'] = 0
  elif row['sepal_width'] > 3.3:
    if row['sepal_length'] < 5.8:
      iris.loc[idx, 'label'] = 1
    elif row['petal_length'] > 5.1:
      iris.loc[idx, 'label'] = 2
    elif (row['sepal_length'] < 6.4) or (row['petal_width'] < 1.3):
      if row['petal_length'] < 1.6:
        iris.loc[idx, 'label'] = 3
      else:
        iris.loc[idx, 'label'] = 4
    else:
      iris.loc[idx, 'label'] = 5
  else:
    iris.loc[idx, 'label'] = 6

1min 29s ± 8.91 s per loop (mean ± std. dev. of 7 runs, 1 loop each)

时间挺长…好吧，我们继续…

Pandas .apply

Pandas.apply直接用于沿数据帧的轴或Series来应用函数。例如，如果我们有一个函数f，它可以是一个数列的和（例如，可以是一个list, np.array, tuple等），并将其传递给如下数据帧，我们将跨行求和：

def f(numbers):
    return sum(numbers)
    
df['Row Subtotal'] = df.apply(f, axis=1)

在axis=1上应用函数。默认情况下，apply参数axis=0，即逐行应用函数；而axis=1将逐列应用函数。

现在我们已经对pandas.apply有了基本的了解，现在让我们编写分配标签的逻辑代码，看看它运行多长时间：

%%timeit
def rules(row):
  if row['sepal_length'] < 5.1:
    return 0
  elif row['sepal_width'] > 3.3:
    if row['sepal_length'] < 5.8:
      return 1
    elif row['petal_length'] > 5.1:
      return 2
    elif (row['sepal_length'] < 6.4) or (row['petal_width'] < 1.3):
      if row['petal_length'] < 1.6:
        return 3
      return 4
    return 5
  return 6

iris['label'] = iris.apply(rules, 1)

1.43 s ± 115 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

15万行只需要1.43s比之前的水平有了很大的提高，但仍然非常缓慢。

想象一下，如果你需要处理一个由数百万个交易数据或信贷批准组成的数据集，那么每次我们要应用一组规则并将函数应用在一个列时，它将占用14秒以上。运行足够多的列，你一个下午可能就没了。

Pandas.loc[]

如果你熟悉SQL，那么使用.loc[]为新列赋值实际上只是一个带有WHERE条件的UPDATE语句。因此，这应该比将函数应用于每个行或列要好得多。

%%timeit
iris['label'] = 6
iris.loc[iris['sepal_width'] > 3.3, 'label'] = 5
iris.loc[
  (iris['sepal_width'] > 3.3) & 
  ((iris['sepal_length'] < 6.4) | (iris['petal_width'] < 1.3)), 
  'label'] = 4
iris.loc[
  (iris['sepal_width'] > 3.3) & 
  ((iris['sepal_length'] < 6.4) | (iris['petal_width'] < 1.3)) & 
  (iris['petal_length'] < 1.6), 
  'label'] = 3
iris.loc[
  (iris['sepal_width'] > 3.3) & 
  (iris['petal_length'] > 5.1), 
  'label'] = 2
iris.loc[
  (iris['sepal_width'] > 3.3) & 
  (iris['sepal_length'] < 5.8), 
  'label'] = 1
iris.loc[
  (iris['sepal_length'] < 5.1), 
  'label'] = 0

13.3 ms ± 837 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

现在我们只花了前一次的十分之一的时间，这意味着当你在家工作的时候，你没有更多的借口离开办公桌。不过，我们目前只使用pandas内置的函数。尽管pandas为我们提供了一个非常方便的高级接口来与数据表交互，但是通过层层抽象，效率可能会降低。

Numpy.where

Numpy有一个较低级别的接口，允许与n维iterables（即向量、矩阵、张量等）进行更有效的交互。它的方法通常是基于C语言的，当涉及到更复杂的计算时，它使用了优化的算法，使得它比我们重新发明的轮子更快。

根据numpy的官方文件，np.where()接受以下语法：

np.where(condition, return value if True, return value if False)

本质上，这是一种二分，其中条件将被计算为布尔值并相应地返回值。这里的技巧是条件实际上可以是iterable（即布尔ndarray类型）。这意味着我们可以将df['feature']==1作为条件，并将where逻辑编码为：

np.where(
    df['feature'] == 1, 
    'It is one', 
    'It is not one'
)

所以你可能会问，我们如何用一个像np.where()这样的二分函数来实现上述逻辑呢?答案很简单，但却令人不安。嵌套np.where()

%%timeit
iris['label'] = np.where(
  iris['sepal_length'] < 5.1,
  0,
  np.where(
    iris['sepal_width'] > 3.3,
    np.where(
      iris['sepal_length'] < 5.8,
      1,
      np.where(
        iris['petal_length'] > 5.1,
        2,
        np.where(
          (iris['sepal_length'] < 6.4) | (iris['petal_width'] < 1.3),
          np.where(
            iris['petal_length'] < 1.6,
            3,
            4
          ),
          5
        )
      )
    ),
    6
  )
)

3.6 ms ± 149 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

恭喜你，你挺过来了。我不能告诉你我花了多少次来计算右括号，但是嘿，这就完成了！我们又从pandas身上砍下了10毫秒。loc[]。然而，这个代码片段是不可维护的，这意味着，它是不可接受的。

Numpy.select

Numpy.select，它与.where不同，它是用来实现多线程逻辑的函数。

np.select(condlist, choicelist, default=0)

它的语法近似于np.where，但第一个参数现在是一个条件列表，它的长度应该与选项的长度相同。使用时要记住一件事np.select是在满足第一个条件后立即选择一个选项。

这意味着，如果超集规则出现在列表中的子集规则之前，那么子集选择将永远不会被选择。具体说来:

condlist = [
    df['A'] <= 1,
    df['A'] < 1
]

choicelist = ['<=1', '<1']

selection = np.select(condlist, choicelist, default='>1')

因为所有命中df['A']<1的行也将被df['A']<=1捕获，因此没有行最终被标记为'<1'。为了避免这种情况发生，请务必在更具体的规则之前先制定一个不太具体的规则：

condlist = [
    df['A'] < 1, # < ───┬ 交换
    df['A'] <= 1 # < ───┘
]

choicelist = ['<1', '<=1'] # 记住也要更新这个!

selection = np.select(condlist, choicelist, default='>1')

从上面可以看到，你需要同时更新condlist和choicelsit，以确保代码顺利运行。但说真的，这一步也耗我们自己的时间。通过将其更改为字典，我们将达到大致相同的时间和内存复杂性，但使用更易于维护的代码片段：

%%timeit
rules = {
  0: (iris['sepal_length'] < 5.1),
  1: (iris['sepal_width'] > 3.3) & (iris['sepal_length'] < 5.8),
  2: (iris['sepal_width'] > 3.3) & (iris['petal_length'] > 5.1),
  3: (
    (iris['sepal_width'] > 3.3) & \
    ((iris['sepal_length'] < 6.4) | (iris['petal_width'] < 1.3)) & \
    (iris['petal_length'] < 1.6)
  ),
  4: (
    (iris['sepal_width'] > 3.3) & \
    ((iris['sepal_length'] < 6.4) | (iris['petal_width'] < 1.3))
  ),
  5: (iris['sepal_width'] > 3.3),
}

iris['label'] = np.select(rules.values(), rules.keys(), default=6)

6.29 ms ± 475 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

大约是np.where的一半，但这不仅使你免于对各种嵌套的调试，而且使choicelist发生了变化。之前我已经忘记更新choicelist太多次了，以至于我花了四倍多的时间来调试我的机器学习模型。相信我，np.select和dict。这是非常好的选择

优秀函数

1. Numpy的向量化操作：如果你的代码涉及循环和计算一元函数、二进制函数或对数字序列进行操作的函数。你应该通过将数据转换为numpy-ndarray来重构代码，并充分利用numpy的向量化操作来极大地提高脚本的速度。在Numpy的官方文档中查看一元函数、二元函数或对数字序列进行操作的函数的示例：https://www.pythonlikeyoumean...
2. np.vectorize：不要被这个函数的名字愚弄。这只是一个方便的函数，并不会使代码运行得更快。要使用此函数，首先需要将逻辑编码为可调用函数，然后运行np.vectorize（你的函数）（你的数据系列）。另一个大的缺点是需要将数据帧转换为一维的iterable，以便传递到“矢量化”函数中。结论：如果不方便使用np.vectorize，别使用。
3. numba.njit：现在这是真正的向量化。它试图将任何numpy值移动到尽可能接近C语言，以提高其效率。虽然它可以加速数值计算，但它也将自己限制为数值计算，这意味着没有pandas系列，没有字符串索引，只有具有int、float、datetime、bool和category类型的numpy的ndarray。结论:如果你能够轻松地使用Numpy的ndarray并将逻辑转换为数值计算或仅转换为数值计算，那么它将是一个非常优秀的选择。从这里了解更多：https://numba.pydata.org/numb...

结尾

如果可能的话，去争取numba.njit；否则，使用np.select和dict就可以帮助你远航了。记住，每一点改进都会有帮助！

原文链接：https://towardsdatascience.co...

欢迎关注磐创AI博客站：
http://panchuang.net/

sklearn机器学习中文官方文档：
http://sklearn123.com/

欢迎关注磐创博客资源汇总站：
http://docs.panchuang.net/