python数据挖掘常用包_小白的Python学习笔记（十八）数据挖掘常用包- Pandas（7）...

Pandas 加速

大家好，今天我们来看有关pandas加速的小技巧，不知道大家在刚刚接触pandas的时候有没有听过如下的说法

pandas太慢了，运行要等半天**

其实我想说的是，慢不是pandas的错，大家要知道pandas本身是在Numpy上建立起来的包，在很多情况下是支持向量化运算的，而且还有C的底层设计，所以我今天

主要想从几个方面和大家分享一下pandas加速的小技巧，与往常一样，文章分成四部分，本文结构如下：

使用datetime类型来处理和时间序列有关的数据

批量计算的技巧

通过HDFStore存储数据节省时间

源码，相关数据及GitHub地址

现在就让我们开始吧

1. 使用datetime类型来处理和时间序列有关的数据

首先这里我们使用的数据源是一个电力消耗情况的数据(energy_cost.csv)，非常贴近生活而且也是和时间息息相关的，用来做测试在合适不过了，这个csv文件大家可以在第四部分找到下载的地方哈

import os

# 这两行仅仅是切换路径，方便我上传Github，大家不用理会,只要确认csv文件和py文件再一起就行啦

os.chdir("F:\\Python教程\\segmentfault\\pandas_share\\Pandas之旅_07 谁说pandas慢")

复制代码

现在让我们看看数据大概长什么样子

import numpy as np

import pandas as pd

f"Using {pd.__name__},{pd.__version__}"

复制代码'Using pandas,0.23.0'

复制代码

df = pd.read_csv('energy_cost.csv',sep=',')

df.head()

复制代码date_time

energy_kwh

0

2001/1/13 0:00

0.586

1

2001/1/13 1:00

0.580

2

2001/1/13 2:00

0.572

3

2001/1/13 3:00

0.596

4

2001/1/13 4:00

0.592

现在我们看到初始数据的样子了，主要有date_time和energy_kwh这两列，来表示时间和消耗的电力，比较好理解，下面让我们来看一下数据类型

df.dtypes

>>>date_time object

energy_kwh float64

dtype: object

复制代码type(df.iat[0,0])

>>>str

复制代码

这里有个小问题，Pandas和NumPy有dtypes(数据类型)的概念。如果未指定参数，则date_time这一列的数据类型默认object，所以为了之后运算方便，我们可以把str类型的这一列转化为timestamp类型:

df['date_time'] = pd.to_datetime(df['date_time'])

df.dtypes

>>>date_time datetime64[ns]

energy_kwh float64

dtype: object

复制代码

先在大家可以发现我们通过用pd.to_datetime这个方法已经成功的把date_time这一列转化为了datetime64类型

df.head()

复制代码date_time

energy_kwh

0

2001-01-13 00:00:00

0.586

1

2001-01-13 01:00:00

0.580

2

2001-01-13 02:00:00

0.572

3

2001-01-13 03:00:00

0.596

4

2001-01-13 04:00:00

0.592

现在再来看数据, 发现已经和刚才不同了,我们还可以通过指定format参数实现一样的效果，速度上也会快一些

%%timeit -n 10

def convert_with_format(df, column_name):

return pd.to_datetime(df[column_name],format='%Y/%m/%d %H:%M')

df['date_time']=convert_with_format(df, 'date_time')

>>>722 µs ± 334 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

复制代码

有关具体的日期自定义相关方法，大家点击这里查看

2. 批量计算的技巧

首先，我们假设根据用电的时间段不同，电费价目表如下：

Type

cents/kwh

periode

Peak

28

17:00 to 24:00

Shoulder

20

7:00 to 17:00

Off-Peak

12

0:00 to 7:00

假设我们想要计算出电费，我们可以先写出一个根据时间动态计算电费的方法“apply_tariff“

def apply_tariff(kwh, hour):

"""Calculates cost of electricity for given hour."""

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

复制代码

好啦，现在我们想要在数据中新增一列 'cost_cents' 来表示总价钱，我们有很多选择，首先能想到的方法便是iterrows()，它可以让我们循环遍历Dataframe的每一行，根据条件计算并赋值给新增的‘cost_cents’列

iterrows()

首先我们能做的是循环遍历流程，让我们先用.iterrows()替代上面的方法来试试：

%%timeit -n 10

def apply_tariff_iterrows(df):

energy_cost_list = []

for index, row in df.iterrows():

# Get electricity used and hour of day

energy_used = row['energy_kwh']

hour = row['date_time'].hour

# Append cost list

energy_cost = apply_tariff(energy_used, hour)

energy_cost_list.append(energy_cost)

df['cost_cents'] = energy_cost_list

apply_tariff_iterrows(df)

复制代码983 ms ± 65.5 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

复制代码

我们为了测试方便，所有的方法都会循环10次来比较耗时，这里很明显我们有很大的改进空间，下面我们用apply方法来优化

apply()

%%timeit -n 10

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)

复制代码247 ms ± 24.3 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

复制代码

这回速度得到了很大的提升,但是显然我们还没有get到pandas加速的精髓：矢量化操作。下面让我们开始提速

isin()

假设我们现在的电价是定值，不根据用电时间段来改变，那么pandas中最快的方法那就是采用(df['cost_cents'] = df['energy_kwh'] * price)，这就是一个简单的矢量化操作示范。它基本是在Pandas中运行最快的方式。

目前的问题是我们的价格是动态的，那么如何将条件判断添加到Pandas中的矢量化运算中呢？答案就是我们根据条件选择和分组DataFrame，然后对每个选定的组应用矢量化操作:

#先让我们把时间序列作为索引

df.set_index('date_time', inplace=True)

复制代码%%timeit -n 10

def apply_tariff_isin(df):

# Define hour range Boolean arrays

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))

# Apply tariffs to hour ranges

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

apply_tariff_isin(df)

复制代码5.7 ms ± 871 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

复制代码

这回我们发现速度是真正起飞了，首先我们根据用电的三个时段把df进行分三组，再依次进行三次矢量化操作，大家可以发现最后减少了很多时间，原理很简单：

在运行的时候，.isin()方法返回一个布尔值数组，如下所示：

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

接下来布尔数组传递给DataFrame的.loc索引器时，我们获得一个仅包含与3个用电时段匹配DataFrame切片。然后简单的进行乘法操作就行了，这样做的好处是我们已经不需要刚才提过的apply方法了，因为不在存在遍历所有行的问题

我们可以做的更好吗？

通过观察可以发现，在apply_tariff_isin()中，我们仍然在通过调用df.loc和df.index.hour.isin()来进行一些“手动工作”。如果想要进一步提速,我们可以使用cut方法

%%timeit -n 10

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']

复制代码140 ns ± 29.9 ns per loop (mean ± std. dev. of 7 runs, 10 loops each)

复制代码

效果依然锋利，速度上有了成倍的提升

不要忘了用Numpy

众所周知，Pandas是在Numpy上建立起来的，所以在Numpy中当然有类似cut的方法可以实现分组,从速度上来讲差不太多

%%timeit -n 10

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

复制代码54.9 ns ± 19.3 ns per loop (mean ± std. dev. of 7 runs, 10 loops each)

复制代码

正常情况下，以上的加速方法是能满足日常需要的，如果有特殊的需求，大家可以上网看看有没有相关的第三方加速包

3. 通过HDFStore存储数据节省时间

这里主要想强调的是节省预处理的时间，假设我们辛辛苦苦搭建了一些模型，但是每次运行之前都要进行一些预处理，比如类型转换，用时间序列做索引等，如果不用HDFStore的话每次都会花去不少时间，这里Python提供了一种解决方案，可以把经过预处理的数据存储为HDF5格式，方便我们下次运行时直接调用。

下面就让我们把本篇文章的df通过HDF5来存储一下：

# Create storage object with filename `processed_data`

data_store = pd.HDFStore('processed_data.h5')

# Put DataFrame into the object setting the key as 'preprocessed_df'

data_store['preprocessed_df'] = df

data_store.close()

复制代码

现在我们可以关机下班了，当明天接着上班后，通过key("preprocessed_df")就可以直接使用经过预处理的数据了

# Access data store

data_store = pd.HDFStore('processed_data.h5')

# Retrieve data using key

preprocessed_df = data_store['preprocessed_df']

data_store.close()

复制代码preprocessed_df.head()

复制代码energy_kwh

cost_cents

date_time

2001-01-13 00:00:00

0.586

7.032

2001-01-13 01:00:00

0.580

6.960

2001-01-13 02:00:00

0.572

6.864

2001-01-13 03:00:00

0.596

7.152

2001-01-13 04:00:00

0.592

7.104

如上图所示，现在我们可以发现date_time已经是处理为index了

4. 源码，相关数据及GitHub地址

这一期为大家分享了一些pandas加速的实用技巧，希望可以帮到各位小伙伴，当然，类似的技巧还有很多，但是核心思想应该一直围绕矢量化操作上，毕竟是基于Numpy上建立的包，如果大家有更好的办法，希望可以在我的文章底下留言哈

我把这一期的ipynb文件，py文件以及我们用到的energy_cost.csv放到了Github上，大家可以点击下面的链接来下载：