Question

我的数据如下：

TEST
2012-05-01 00:00:00.203 OFF 0
2012-05-01 00:00:11.203 OFF 0
2012-05-01 00:00:22.203 ON 1
2012-05-01 00:00:33.203 ON 1
2012-05-01 00:00:44.203 OFF 0
TEST
2012-05-02 00:00:00.203 OFF 0
2012-05-02 00:00:11.203 OFF 0
2012-05-02 00:00:22.203 OFF 0
2012-05-02 00:00:33.203 ON 1
2012-05-02 00:00:44.203 ON 1
2012-05-02 00:00:55.203 OFF 0

我正在使用pandas read_table来读取预解析后的字符串（除去“TEST”行），如下所示：

df = pandas.read_table(buf, sep=' ', header=None, parse_dates=[[0, 1]], date_parser=dateParser, index_col=[0])

到目前为止，我已经尝试了几个日期解析器，未注释的日期解析器是最快的。

def dateParser(s):
#return datetime.strptime(s, "%Y-%m-%d %H:%M:%S.%f")
return datetime(int(s[0:4]), int(s[5:7]), int(s[8:10]), int(s[11:13]), int(s[14:16]), int(s[17:19]), int(s[20:23])*1000)
#return np.datetime64(s)
#return pandas.Timestamp(s, "%Y-%m-%d %H:%M:%S.%f", tz='utc' )

我还能做些什么来加快速度吗？我需要读取大量数据 - 每个文件几个Gb。

Answer 1

快速回答是您指出的将日期/时间字符串解析为datetime类型索引的最快方式，确实是最快的方法。我计划了一些你的方法和其他一些方法，这就是我得到的。

首先，获取一个示例DataFrame来处理：

import datetime
from pandas import *

start = datetime(2000, 1, 1)
end = datetime(2012, 12, 1)
d = DateRange(start, end, offset=datetools.Hour())
t_df = DataFrame({'field_1': np.array(['OFF', 'ON'])[np.random.random_integers(0, 1, d.size)], 'field_2': np.random.random_integers(0, 1, d.size)}, index=d)

其中：

In [1]: t_df.head()
Out[1]: 
                    field_1  field_2
2000-01-01 00:00:00      ON        1
2000-01-01 01:00:00     OFF        0
2000-01-01 02:00:00     OFF        1
2000-01-01 03:00:00     OFF        1
2000-01-01 04:00:00      ON        1
In [2]: t_df.shape
Out[2]: (113233, 2)

这是一个约。如果将其转储到磁盘上，则为3.2MB文件。我们现在需要删除您DataRange的{{1}}类型并将其设为Index列表，以模拟您在数据中的解析方式：

str

如果您在使用t_df.index = t_df.index.map(str)将数据读入parse_dates = True时使用DataFrame，那么您正在查看 9.5秒平均解析时间：

read_table

其他策略依赖于首先将数据解析为In [3]: import numpy as np In [4]: import timeit In [5]: t_df.to_csv('data.tsv', sep='\t', index_label='date_time') In [6]: t = timeit.Timer("from __main__ import read_table; read_table('data.tsv', sep='\t', index_col=0, parse_dates=True)") In [7]: np.mean(t.repeat(10, number=1)) Out[7]: 9.5226533889770515（可忽略的解析时间），然后将索引转换为DataFrame个Index个对象：

datetime

现在为获胜者：

In [8]: t = timeit.Timer("from __main__ import t_df, dateutil; map(dateutil.parser.parse, t_df.index.values)")
In [9]: np.mean(t.repeat(10, number=1))
Out[9]: 7.6590064525604244
In [10]: t = timeit.Timer("from __main__ import t_df, dateutil; t_df.index.map(dateutil.parser.parse)")
In [11]: np.mean(t.repeat(10, number=1))
Out[11]: 7.8106775999069216
In [12]: t = timeit.Timer("from __main__ import t_df, datetime; t_df.index.map(lambda x: datetime.strptime(x, \"%Y-%m-%d %H:%M:%S\"))")
Out[12]: 2.0389052629470825
In [13]: t = timeit.Timer("from __main__ import t_df, np; map(np.datetime_, t_df.index.values)")
In [14]: np.mean(t.repeat(10, number=1))
Out[14]: 3.8656840562820434
In [15]: t = timeit.Timer("from __main__ import t_df, np; map(np.datetime64, t_df.index.values)")
In [16]: np.mean(t.repeat(10, number=1))
Out[16]: 3.9244711160659791

使用In [17]: def f(s): ....: return datetime(int(s[0:4]), ....: int(s[5:7]), ....: int(s[8:10]), ....: int(s[11:13]), ....: int(s[14:16]), ....: int(s[17:19])) ....: t = timeit.Timer("from __main__ import t_df, f; t_df.index.map(f)") ....: In [18]: np.mean(t.repeat(10, number=1)) Out[18]: 0.33927145004272463，numpy或pandas类型的方法时，肯定可能会有更多的优化想法，但在我看来，保留CPython的标准库并转换每个将日期/时间datetime转换为str s的tupple，将其设置为int实例是获得所需内容的最快方式。

Python Pandas：创建日期时间索引的最快方法是什么？

1 个答案: