Question

对于大型数据帧（大约1~3百万行），应用函数似乎工作得很慢。

我已在此处检查了相关问题，例如Speed up Pandas apply function和Counting within pandas apply() function，似乎加快速度的最佳方法是不使用应用函数：）

对于我的情况，我有两种与apply函数有关的任务。

首先：使用查找字典查询

f(p_id, p_dict):
    return p_dict[p_dict['ID'] == p_id]['value']

p_dict = DataFrame(...)  # it's another dict works like lookup table
df = df.apply(f, args=(p_dict,))

第二：申请groupby

f(week_id, min_week_num, p_dict):
    return p_dict[(week_id - min_week_num < p_dict['WEEK']) & (p_dict['WEEK'] < week_id)].ix[:,2].mean()

f_partial = partial(f, min_week_num=min_week_num, p_dict=p_dict)
df = map(f, df['WEEK'])

我猜对于第一种情况，它可以通过数据帧连接完成，而我不确定这种连接在大型数据集上的资源成本。

我的问题是：

在上述两种情况下，有没有办法替代申请？
为什么这么慢？对于dict查找案例，我认为它应该是O（N），即使N是100万，也不应该花费那么多。

Answer 1

关于你的第一个问题，我不能确切地说为什么这个例子很慢。但通常，apply不利用矢量化。此外，apply返回一个新的Series或DataFrame对象，因此对于一个非常大的DataFrame，您有相当大的IO开销（我无法保证在Pandas有大量内部实现优化的情况下，这种情况是100％的情况）。

对于您的第一种方法，我假设您尝试使用df作为查找表填充p_dict中的“值”列。使用pd.merge：

的速度提高了约1000倍

import string, sys

import numpy as np
import pandas as pd

##
# Part 1 - filling a column by a lookup table
##
def f1(col, p_dict):
    return [p_dict[p_dict['ID'] == s]['value'].values[0] for s in col]

# Testing
n_size = 1000
np.random.seed(997)
p_dict = pd.DataFrame({'ID': [s for s in string.ascii_uppercase], 'value': np.random.randint(0,n_size, 26)})
df = pd.DataFrame({'p_id': [string.ascii_uppercase[i] for i in np.random.randint(0,26, n_size)]})

# Apply the f1 method  as posted
%timeit -n1 -r5 temp = df.apply(f1, args=(p_dict,))
>>> 1 loops, best of 5: 832 ms per loop

# Using merge
np.random.seed(997)
df = pd.DataFrame({'p_id': [string.ascii_uppercase[i] for i in np.random.randint(0,26, n_size)]})
%timeit -n1 -r5 temp = pd.merge(df, p_dict, how='inner', left_on='p_id', right_on='ID', copy=False)

>>> 1000 loops, best of 5: 826 µs per loop

关于第二项任务，我们可以快速向p_dict添加一个新列，用于计算时间窗口从min_week_num开始的平均值，并在p_dict中该行的一周结束。这要求p_dict按WEEK列的升序排序。然后，您可以再次使用pd.merge。

我假设在以下示例中min_week_num为0。但您可以轻松修改rolling_growing_mean以获取不同的值。 rolling_growing_mean方法将在O（n）中运行，因为它每次迭代都会执行固定数量的操作。

n_size = 1000
np.random.seed(997)
p_dict = pd.DataFrame({'WEEK': range(52), 'value': np.random.randint(0, 1000, 52)})
df = pd.DataFrame({'WEEK': np.random.randint(0, 52, n_size)})

def rolling_growing_mean(values):
    out = np.empty(len(values))
    out[0] = values[0]
    # Time window for taking mean grows each step
    for i, v in enumerate(values[1:]):
        out[i+1] = np.true_divide(out[i]*(i+1) + v, i+2)
    return out

p_dict['Means'] = rolling_growing_mean(p_dict['value'])

df_merged = pd.merge(df, p_dict, how='inner', left_on='WEEK', right_on='WEEK')

熊猫 - 应用函数缓慢的解释

1 个答案: