Question

我有一个包含两列和一十多万个元素的DataFrame。

In [43]: df.head(10)
Out[43]:
                    localtime                 ref
4  2014-04-02 12:00:00.273537  139058754703810577
5  2014-04-02 12:00:02.223501  139058754703810576
6  2014-04-02 12:00:03.518817  139058754703810576
7  2014-04-02 12:00:03.572082  139058754703810576
8  2014-04-02 12:00:03.572444  139058754703810576
9  2014-04-02 12:00:03.572571  139058754703810576
10 2014-04-02 12:00:03.573320  139058754703810576
11 2014-04-02 12:00:09.278517  139058754703810576
14 2014-04-02 12:00:20.942802  139058754703810577
15 2014-04-02 12:01:13.410607  139058754703810576

[10 rows x 2 columns]

In [44]: df.dtypes
Out[44]:
localtime    datetime64[ns]
ref                   int64
dtype: object

In [45]: len(df)
Out[45]: 111743

In [46]: g = df.groupby('ref')

如果我从我的组中请求最后一个元素，该函数就会挂起！

In [47]: %timeit g.last()

我在6分钟后杀了它; top显示CPU始终为100％。

如果我明确地请求localtime列，这至少会返回，但是对于有多少元素来说，它似乎仍然很慢。

In [48]: %timeit g['localtime'].last()
1 loops, best of 3: 4.6 s per loop

我有什么遗失的东西吗？这是大熊猫0.13.1。

此问题与datetime64类型一起显示。假设我直接从文件中读取：

In [1]: import pandas as pd

In [2]: df = pd.read_csv('so.csv')

In [3]: df.dtypes
Out[3]:
localtime    object
ref           int64
dtype: object

In [4]: %timeit df.groupby('ref').last()
10 loops, best of 3: 28.1 ms per loop

object类型工作得很好。然而，如果我施展时间戳，所有地狱都会破裂：

In [5]: df.localtime = pd.to_datetime(df.localtime)

In [6]: df.dtypes
Out[6]:
localtime    datetime64[ns]
ref                   int64
dtype: object

In [7]: %timeit df.groupby('ref').last()

情节变浓。

使用Jeff的建议，在没有数据文件的情况下进行复制：

In [70]: rng = pd.date_range('20130101',periods=20,freq='s')

In [71]: df = pd.DataFrame(dict(timestamp = rng.take(np.random.randint(0,20,size=100000)), value = np.random.randint(0,100,size=100000)*1000000))

In [72]: %timeit df.groupby('value').last()
1 loops, best of 3: 332 ms per loop

但是，如果我改变随机整数的范围，那么问题又会出现！

In [73]: df = pd.DataFrame(dict(timestamp = rng.take(np.random.randint(0,20,size=100000)), value = np.random.randint(0,100000,size=100000)*1000))

In [74]: %timeit df.groupby('value').last()

我只是增加了第二个high的{{1}}参数，这意味着randint()的长度更长。这会在没有数据文件的情况下重现我的错误。

请注意，如果我放弃groupby()类型，那么就没有问题：

datetime64

因此，罪魁祸首是In [12]: df = pd.DataFrame(dict(timestamp = np.random.randint(0,20,size=100000), value = np.random.randint(0,100000,size=100000)*1000)) In [13]: %timeit df.groupby('value').last() 100 loops, best of 3: 14.4 ms per loop上的last()缩放。

Answer 1

一定是奇怪的事情......在0.13.1（和主人）中看起来不错。发布您的文件的链接，我会看看。

In [3]: rng = date_range('20130101',periods=20,freq='s')

In [4]: df = DataFrame(dict(timestamp = rng.take(np.random.randint(0,20,size=100000)), value = np.random.randint(0,100,size=100000)*1000000))

In [5]: df.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 100000 entries, 0 to 99999
Data columns (total 2 columns):
timestamp    100000 non-null datetime64[ns]
value        100000 non-null int64
dtypes: datetime64[ns](1), int64(1)
In [6]: %timeit df.groupby('value')['timestamp'].last()
100 loops, best of 3: 9.07 ms per loop

In [7]: %timeit df.groupby('value')['timestamp'].tail(1)
100 loops, best of 3: 16.3 ms per loop

好的，这是解释：

使用np.random.randint(0,100,size=100000)作为值，创建100个组，虽然np.random.randint(0,100000,size=100000)创造了更多（在我的例子中） 63000）左右。

.last（＆lt; 0.14）implicity执行最后一个non-nan值。这个na测试并不便宜，因此缩放性能很差（并且在每个组的python空间中完成）。

另一方面，

tail(1)（＆lt; 0.14）不检查这个，所以perf更好（并使用cython路由来获得结果）。

在0.14中这些将是相同的（即使你这样做：nth(-1,dropna='any')将复制last在这里做的事情，这样做是为了获得更好的性能。（感谢@Andy Hayden）。

底线是在＆lt;中使用tail(1) 0.14。

groupby的性能问题最后出现在熊猫中

1 个答案: