pandas中的for循环真的不好吗？我什么时候应该在意？

  • Z时代
  • 2024-01-10
  • 分类：问答

是for循环真正的“坏”？如果不是，在什么情况下它们会比使用更常规的“矢量化”方法更好？1个

我熟悉“矢量化”的概念，以及熊猫如何利用矢量化技术来加快计算速度。向量化功能在整个系列或DataFrame上广播操作，以实现比传统上迭代数据快得多的加速。

但是，我很惊讶地看到很多代码（包括来自Stack Overflow的答案）提供了解决问题的解决方案，这些问题涉及使用for循环和列表推导遍历数据。文档和API指出，循环是“不好的”循环，并且“绝不能”循环遍历数组，序列或DataFrame。那么，为什么有时我会看到用户建议基于循环的解决方案？

回答：

TLDR；不，for循环并非总会“坏”，至少并非总是如此。说某些矢量化操作比迭代慢，而不是说迭代快于某些矢量化操作，可能更准确。知道何时以及为什么是使代码获得最大性能的关键。简而言之，在这些情况下，值得考虑使用矢量化熊猫函数的替代方法：

  1. 当你的数据很小（…取决于你的工作）时，

  2. 处理object/ mixed dtypes时

  3. 使用str/ regex访问器功能时

让我们分别检查这些情况。

熊猫在其API设计中遵循“配置惯例”方法。这意味着已经安装了相同的API，以适应广泛的数据和用例。

调用pandas函数时，该函数必须在内部处理以下各项（除其他事项外），以确保工作正常

索引/轴对齐

处理混合数据类型

处理丢失的数据

几乎每个函数都必须在不同程度上处理这些问题，这带来了开销。数字函数（例如Series.add）的开销较少，而字符串函数（例如Series.str.replace）的开销更为明显。

for另一方面，循环比你想象的要快。更好的是列表理解（通过for循环创建列表）更快，因为它们是优化的列表创建迭代机制。

列表理解遵循模式

[f(x) for x in seq]

seq熊猫系列或DataFrame列在哪里。或者，当对多列进行操作时，

[f(x, y) for x, y in zip(seq1, seq2)]

凡seq1和seq2列。

考虑一个简单的布尔索引操作。列表推导方法已针对Series.ne（!=）和进行计时query。功能如下：

# Boolean indexing with Numeric value comparison.
df[df.A != df.B]                            # vectorized !=
df.query('A != B')                          # query (numexpr)
df[[x != y for x, y in zip(df.A, df.B)]]    # list comp

为简单起见，本文中使用了该perfplot包来运行所有的timeit测试。以上操作的时间安排如下：

在此处输入图片说明

query对于中等大小的N，列表理解要胜过，甚至对于较小的N而言，列表理解要胜过向量化不等于比较。不幸的是，列表理解是线性扩展的，因此对于较大的N而言，它不能提供太多的性能提升。

注意

值得一提的是，列表理解的许多好处来自于不必担心索引对齐，但是这意味着，如果你的代码依赖于索引对齐，则此操作会中断。在某些情况下，可以将对基础NumPy数组的矢量化操作视为“两全其美”，从而实现了矢量化，而没有熊猫函数的所有不必要开销。这意味着你可以将上面的操作重写为

df[df.A.values != df.B.values]

它的性能优于熊猫和列表理解同等物：

NumPy矢量化不在本文讨论范围之内，但是如果性能很重要，则绝对值得考虑。

再举一个例子-这次是另一个比循环快的普通 python构造- collections.Counter。一个常见的要求是计算值计数并将结果作为字典返回。这与做value_counts，np.unique以及Counter：

# Value Counts comparison.
ser.value_counts(sort=False).to_dict()           # value_counts
dict(zip(*np.unique(ser, return_counts=True)))   # np.unique
Counter(ser)                                     # Counter

结果更明显，Counter在较大的小N（〜3500）范围内胜过两种矢量化方法。

注意

更多琐事（由@ user2357112提供）。的Counter实现是使用C加速器实现的，因此尽管它仍然必须使用python对象而不是底层的C数据类型，但它仍比for循环快。Python的力量！

当然，从这里获得的好处是性能取决于你的数据和用例。这些示例的目的是说服你不要将这些解决方案排除为合法选项。如果这些仍然不能满足你的需求，那么总会有cython和numba。让我们将此测试添加到混合中。

from numba import njit, prange
@njit(parallel=True)
def get_mask(x, y):
    result = [False] * len(x)
    for i in prange(len(x)):
        result[i] = x[i] != y[i]
    return np.array(result)
df[get_mask(df.A.values, df.B.values)] # numba

Numba可以将循环python代码的JIT编译为功能非常强大的矢量化代码。了解如何使numba发挥作用需要学习。

基于字符串的比较再

来看第一部分的过滤示例，如果要比较的列是字符串怎么办？考虑上面相同的3个函数，但将输入DataFrame强制转换为字符串。

# Boolean indexing with string value comparison.
df[df.A != df.B]                            # vectorized !=
df.query('A != B')                          # query (numexpr)
df[[x != y for x, y in zip(df.A, df.B)]]    # list comp

那么，发生了什么变化？这里要注意的是，字符串操作本质上难以向量化。Pandas将字符串视为对象，并且对对象的所有操作都会回退到缓慢，循环的实现中。

现在，由于此循环实现被上述所有开销所包围，因此，即使这些解决方案按比例缩放，它们之间也存在恒定的幅度差异。

当涉及对可变/复杂对象的操作时，没有比较。列表理解胜过所有涉及字典和列表的操作。

通过键访问字典值

以下是从字典列中提取值的两个操作的时间安排：map和列表理解。该设置位于附录的“代码段”标题下。

# Dictionary value extraction.
ser.map(operator.itemgetter('value'))     # map
pd.Series([x.get('value') for x in ser])  # list comprehension

3个操作的位置列表索引计时，这些操作从列列表中提取第0个元素（处理异常）map，str.get访问器方法和列表理解：

# List positional indexing. 
def get_0th(lst):
    try:
        return lst[0]
    # Handle empty lists and NaNs gracefully.
    except (IndexError, TypeError):
        return np.nan
ser.map(get_0th)                                          # map
ser.str[0]                                                # str accessor
pd.Series([x[0] if len(x) > 0 else np.nan for x in ser])  # list comp
pd.Series([get_0th(x) for x in ser])                      # list comp safe

注意

如果索引很重要，则需要执行以下操作：

pd.Series([...], index=ser.index)

重建系列时。

列表扁平

化最后一个例子是扁平化列表。这是另一个常见问题，它演示了纯python的强大功能。

# Nested list flattening.
pd.DataFrame(ser.tolist()).stack().reset_index(drop=True)  # stack
pd.Series(list(chain.from_iterable(ser.tolist())))         # itertools.chain
pd.Series([y for x in ser for y in x])                     # nested list comp

无论itertools.chain.from_iterable和嵌套列表理解是纯Python结构，并且规模比更好stack的解决方案。

这些时间点充分说明了熊猫没有为混合dtypes做好准备的事实，并且你可能应该避免使用它来这样做。数据应尽可能在单独的列中作为标量值（整数/浮点数/字符串）存在。

最后，这些解决方案的适用性在很大程度上取决于你的数据。因此，最好的办法是先决定对数据进行这些操作，然后再决定要做什么。请注意，我尚未apply对这些解决方案计时，因为它会使图形倾斜（是​​的，那太慢了）。

熊猫可以应用正则表达式的操作，如str.contains，str.extract和str.extractall，以及其他的“矢量”字符串操作（例如str.split，str.find ,str.translate，等等）的字符串列。这些功能比列表理解要慢，并且是比其他功能更方便的功能。

预编译正则表达式模式并使用遍历数据通常要快得多re.compile（另请参阅使用Python的re.compile是否值得？）。列表组合等效于str.contains如下所示：

p = re.compile(...)
ser2 = pd.Series([x for x in ser if p.search(x)])

要么，

ser2 = ser[[bool(p.search(x)) for x in ser]]

如果你需要处理NaN，则可以执行以下操作

ser[[bool(p.search(x)) if pd.notnull(x) else False for x in ser]]

相当于str.extract（无组）的列表组合看起来像：

df['col2'] = [p.search(x).group(0) for x in df['col']]

如果你需要处理不匹配和NaN，则可以使用自定义函数（速度更快！）：

def matcher(x):
    m = p.search(str(x))
    if m:
        return m.group(0)
    return np.nan
df['col2'] = [matcher(x) for x in df['col']]

该matcher功能是非常可扩展的。根据需要，它可以适合返回每个捕获组的列表。只需提取匹配对象的groupor groups属性的查询即可。

对于str.extractall，更改p.search为p.findall。

考虑简单的过滤操作。这个想法是提取一个大写字母开头的4位数字。

# Extracting strings.
p = re.compile(r'(?<=[A-Z])(\d{4})')
def matcher(x):
    m = p.search(x)
    if m:
        return m.group(0)
    return np.nan
ser.str.extract(r'(?<=[A-Z])(\d{4})', expand=False)   #  str.extract
pd.Series([matcher(x) for x in ser])                  #  list comprehension

以上是 pandas中的for循环真的不好吗？我什么时候应该在意？ 的全部内容， 来源链接： utcz.com/qa/434135.html

回到顶部