建站
咨詢
售后
建站咨詢
新聞中心
for是所有編程語言的基礎(chǔ)語法，初學(xué)者為了快速實(shí)現(xiàn)功能，依懶性較強(qiáng)。但如果從運(yùn)算時間性能上考慮可能不是特別好的選擇。
創(chuàng)新互聯(lián)-專業(yè)網(wǎng)站定制、快速模板網(wǎng)站建設(shè)、高性價(jià)比寧都網(wǎng)站開發(fā)、企業(yè)建站全套包干低至880元,成熟完善的模板庫,直接使用。一站式寧都網(wǎng)站制作公司更省心,省錢,快速模板網(wǎng)站建設(shè)找我們，業(yè)務(wù)覆蓋寧都地區(qū)。費(fèi)用合理售后完善，十多年實(shí)體公司更值得信賴。
本次東哥介紹幾個常見的提速方法，一個比一個快，了解pandas本質(zhì)，才能知道如何提速。
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(jì)算每個小時的電費(fèi)"""
- 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(jì)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(jì)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(jì)算的時間成本。對于8760行數(shù)據(jù)，此循環(huán)花費(fèi)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(diǎn)很明顯，行數(shù)少，代碼可讀性高。在這種情況下，所花費(fèi)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(jì)算只是大規(guī)模計(jì)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(jià)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(jì)算應(yīng)用為pandas中的矢量化運(yùn)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(shí)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(fèi)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(yùn)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(fèi)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(diǎn)是Pandas的Series和DataFrames是在NumPy庫之上設(shè)計(jì)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?yàn)閿?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(jià)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。
當(dāng)前題目：再見for循環(huán)！pandas提速315倍~
網(wǎng)頁路徑：http://m.5511xx.com/article/codcogc.html
