我注意到在DataFrame上使用len
比在底层numpy数组上使用len
要快得多。我不明白为什么。通过shape
访问相同的信息也不是任何帮助。当我尝试获取列数和行数时,这更相关。我一直在争论使用哪种方法。
我将以下实验放在一起,非常清楚我将在数据帧上使用len
。但有人可以解释为什么吗?
from timeit import timeit
import pandas as pd
import numpy as np
ns = np.power(10, np.arange(6))
results = pd.DataFrame(
columns=ns,
index=pd.MultiIndex.from_product(
[['len', 'len(values)', 'shape'],
ns]))
dfs = {(n, m): pd.DataFrame(np.zeros((n, m))) for n in ns for m in ns}
for n, m in dfs.keys():
df = dfs[(n, m)]
results.loc[('len', n), m] = timeit('len(df)', 'from __main__ import df', number=10000)
results.loc[('len(values)', n), m] = timeit('len(df.values)', 'from __main__ import df', number=10000)
results.loc[('shape', n), m] = timeit('df.values.shape', 'from __main__ import df', number=10000)
fig, axes = plt.subplots(2, 3, figsize=(9, 6), sharex=True, sharey=True)
for i, (m, col) in enumerate(results.iteritems()):
r, c = i // 3, i % 3
col.unstack(0).plot.bar(ax=axes[r, c], title=m)
答案 0 :(得分:4)
通过查看各种方法,主要原因是构建numpy数组df.values
占用了大部分时间。
len(df)
和df.shape
这两个很快,因为它们基本上是
len(df.index._data)
和
(len(df.index._data), len(df.columns._data))
其中_data
是numpy.ndarray
。因此,使用df.shape
的速度应该是len(df)
的一半,因为它可以找到df.index
和df.columns
的长度(pd.Index
类型)
len(df.values)
和df.values.shape
我们说你已经提取了vals = df.values
。然后
In [1]: df = pd.DataFrame(np.random.rand(1000, 10), columns=range(10))
In [2]: vals = df.values
In [3]: %timeit len(vals)
10000000 loops, best of 3: 35.4 ns per loop
In [4]: %timeit vals.shape
10000000 loops, best of 3: 51.7 ns per loop
与:相比:
In [5]: %timeit len(df.values)
100000 loops, best of 3: 3.55 µs per loop
因此,瓶颈不是len
,而是如何构建df.values
。如果您检查pandas.DataFrame.values()
,您将找到(大致相当的)方法:
def values(self):
return self.as_matrix()
def as_matrix(self, columns=None):
self._consolidate_inplace()
if self._AXIS_REVERSED:
return self._data.as_matrix(columns).T
if len(self._data.blocks) == 0:
return np.empty(self._data.shape, dtype=float)
if columns is not None:
mgr = self._data.reindex_axis(columns, axis=0)
else:
mgr = self._data
if self._data._is_single_block or not self._data.is_mixed_type:
return mgr.blocks[0].get_values()
else:
dtype = _interleaved_dtype(self.blocks)
result = np.empty(self.shape, dtype=dtype)
if result.shape[0] == 0:
return result
itemmask = np.zeros(self.shape[0])
for blk in self.blocks:
rl = blk.mgr_locs
result[rl.indexer] = blk.get_values(dtype)
itemmask[rl.indexer] = 1
# vvv here is your final array assuming you actually have data
return result
def _consolidate_inplace(self):
def f():
if self._data.is_consolidated():
return self._data
bm = self._data.__class__(self._data.blocks, self._data.axes)
bm._is_consolidated = False
bm._consolidate_inplace()
return bm
self._protect_consolidate(f)
def _protect_consolidate(self, f):
blocks_before = len(self._data.blocks)
result = f()
if len(self._data.blocks) != blocks_before:
if i is not None:
self._item_cache.pop(i, None)
else:
self._item_cache.clear()
return result
请注意,df._data
是pandas.core.internals.BlockManager
,而不是numpy.ndarray
。
答案 1 :(得分:2)
如果您Length 3
joe
can
car
Length 4
cars
查看__len__
,他们实际上只是致电pd.DataFrame
:
https://github.com/pandas-dev/pandas/blob/master/pandas/core/frame.py#L770
对于len(df.index)
,这是一个非常快速的操作,因为它只是存储在索引对象中的值的减法和除法:
RangeIndex
https://github.com/pandas-dev/pandas/blob/master/pandas/indexes/range.py#L458
我怀疑如果你用非return max(0, -(-(self._stop - self._start) // self._step))
进行测试,时间上的差异会更加相似。如果是这种情况,我可能会尝试修改你要看的东西。
编辑:经过快速检查后,即使使用标准RangeIndex
,速度差异似乎仍然保持不变,因此必须进行其他一些优化。