Question

我正在构建一个应用程序，它可以对大型数据集进行一些非常简单的分析。这些数据集以1000万行以上，约30列的CSV文件格式提供。（我不需要很多列。）

逻辑告诉我，整个文件放入DataFrame应该可以更快地访问。但是我的电脑说不。

我尝试批量加载，以及加载整个文件，然后批量执行功能。

但是最终结果是，执行同一过程所需的时间比使用简单的文件读取选项要多10倍。

这是DataFrame版本：

def runProcess():
    global batchSize
    batchCount = 10
    if rowLimit < 0:
        with open(df_srcString) as f:
            rowCount = sum(1 for line in f)
        if batchSize < 0:
            batchSize = batchSize * -1
            runProc = readFileDf
        else:
            runProc = readFileDfBatch
        batchCount = int(rowCount / batchSize) + 1
    else:
        batchCount = int(rowLimit / batchSize) + 1
    for i in range(batchCount):
        result = runProc(batchSize, i)
        print(result)

def readFileDfBatch(batch, batchNo):
    sCount = 0
    lCount = 0
    jobStartTime = datetime.datetime.now()
    eof = False
    totalRowCount = 0

    startRow = batch * batchNo
    df_wf = pd.read_csv(df_srcString, sep='|', header=None, names=df_fldHeads.split(','), usecols=df_cols, dtype=str, nrows=batch, skiprows=startRow)
    for index, row in df_wf.iterrows():
        result = parseDfRow(row)
        totalRowCount = totalRowCount + 1
        if result == 1:
            sCount = sCount + 1
        elif result == 2:
            lCount = lCount + 1
    eof = batch > len(df_wf)
    if rowLimit >= 0:
        eof = (batch * batchNo >= rowLimit)
    jobEndTime = datetime.datetime.now()
    runTime = jobEndTime - jobStartTime
    return [batchNo, sCount, lCount, totalRowCount, runTime]

def parseDfRow(row):
#df_cols = ['ColumnA','ColumnB','ColumnC','ColumnD','ColumnE','ColumnF']
    status = 0
    s2 = getDate(row['ColumnB'])
    l2 = getDate(row['ColumnD'])
    gDate = datetime.date(1970,1,1)
    r1 = datetime.date(int(row['ColumnE'][1:5]),12,31)
    r2 = row['ColumnF']
    if len(r2) > 1:
        lastSeen = getLastDate(r2)
    else:
        lastSeen = r1
    status = False
    if s2 > lastSeen:
        status = 1
    elif l2 > lastSeen:
        status = 2
    return status

这是简单的文件读取器版本：

def readFileStd(rows, batch):
    print("Starting read: ")
    batchNo = 1
    global targetFile
    global totalCount
    global sCount
    global lCount
    targetFile = open(df_srcString, "r")
    eof = False
    while not eof:
        batchStartTime = datetime.datetime.now()
        eof = readBatch(batch)
        batchEndTime = datetime.datetime.now()
        runTime = batchEndTime - batchStartTime
        if rows > 0 and totalCount >= rows: break
        batchNo = batchNo + 1
    targetFile.close()
    return [batchNo, sCount, lCount, totalCount, runTime]

def readBatch(batch):
    global targetFile
    global totalCount
    rowNo = 1
    rowStr = targetFile.readline()
    while rowStr:
        parseRow(rowStr)
        totalCount = totalCount + 1
        if rowNo == batch: 
            return False
        rowStr = targetFile.readline()
        rowNo = rowNo + 1
    return True

    def parseRow(rowData):
    rd = rowData.split('|')
    s2 = getDate(rd[3])
    l2 = getDate(rd[5])
    gDate = datetime.date(1970,1,1)
    r1 = datetime.date(int(rd[23][1:5]),12,31)
    r2 = rd[24]
    if len(r2) > 1:
        lastSeen = getLastDate(r2)
    else:
        lastSeen = r1
    status = False
    if s2 > lastSeen:
        global sCount
        sCount = sCount + 1
        status = True
        gDate = s2
    elif l2 > lastSeen:
        global lCount
        lCount = lCount + 1
        gDate = s2

我做错什么了吗？

Answer 1

.CC没有利用向量化操作。使用iterrows的大多数好处来自矢量化和并行操作。

将pandas替换为for index, row in df_wf.iterrows():，其中df_wf.apply(something, axis=1)是封装something中所需逻辑的函数，并使用iterrows向量化操作。

如果您的numpy内存不足，需要批量读取，请考虑在df上使用dask或spark。

进一步阅读：https://pandas.pydata.org/pandas-docs/stable/enhancingperf.html

Answer 2

关于您的代码的一些注释：

所有这些global变量都吓到我了！传递参数并返回状态有什么问题？
您没有使用Pandas中的任何功能，只是创建一个数据框以用于对行进行愚蠢的迭代会导致它执行许多不必要的工作
如果这确实是实现此目的的最佳方法，则标准csv模块（可以与delimiter='|'一起使用）提供了更紧密的界面

对于https://codereview.stackexchange.com/

，这可能是一个更好的问题

只是玩替代行方式的性能表现。从下面获得的收获似乎是，熊猫的“行明智”工作通常总是很慢

首先创建一个数据框进行测试：

import numpy as np
import pandas as pd

df = pd.DataFrame(np.random.randint(1, 1e6, (10_000, 2)))
df[1] = df[1].apply(str)

这需要3.65毫秒来创建具有int和str列的数据帧。接下来，我尝试使用iterrows方法：

tot = 0
for i, row in df.iterrows():
    tot += row[0] / 1e5 < len(row[1])

聚合是非常愚蠢的，我只想要一些使用两个列的东西。耗时长达903ms。接下来，我尝试手动进行迭代：

tot = 0
for i in range(df.shape[0]):
    tot += df.loc[i, 0] / 1e5 < len(df.loc[i, 1])

将其降低到408毫秒。接下来，我尝试apply：

def fn(row):
    return row[0] / 1e5 < len(row[1])

sum(df.apply(fn, axis=1))

，在368毫秒时基本相同。终于，我找到了熊猫满意的一些代码：

sum(df[0] / 1e5 < df[1].apply(len))

需要4.15毫秒。还有我想到的另一种方法：

tot = 0
for a, b in zip(df[0], df[1]):
    tot += a / 1e5 < len(b)

需要2.78毫秒。而另一个变体：

tot = 0
for a, b in zip(df[0] / 1e5, df[1]):
    tot += a < len(b)

需要2.29毫秒。

为什么我的python DataFrame性能这么慢

2 个答案: