pandas的优点有哪些

本篇内容主要讲解“pandas的优点有哪些”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“pandas的优点有哪些”吧!

下面是一个例子，数据获取方式见文末。

>>> import pandas as pd  # 导入数据集  >>> df = pd.read_csv('demand_profile.csv')  >>> df.head()       date_time  energy_kwh  0  1/1/13 0:00       0.586  1  1/1/13 1:00       0.580  2  1/1/13 2:00       0.572  3  1/1/13 3:00       0.596  4  1/1/13 4:00       0.592

基于上面的数据，我们现在要增加一个新的特征，但这个新的特征是基于一些时间条件生成的，根据时长（小时）而变化，如下：

因此，如果你不知道如何提速，那正常第一想法可能就是用apply方法写一个函数，函数里面写好时间条件的逻辑代码。

def apply_tariff(kwh, hour):      """计算每个小时的电费"""          if 0 <= hour < 7:          rate = 12      elif 7 <= hour < 17:          rate = 20      elif 17 <= hour < 24:          rate = 28      else:          raise ValueError(f'Invalid hour: {hour}')      return rate * kwh

然后使用for循环来遍历df，根据apply函数逻辑添加新的特征，如下：

>>> # 不赞同这种操作  >>> @timeit(repeat=3, number=100)  ... def apply_tariff_loop(df): ...     """用for循环计算enery cost，并添加到列表"""  ...     energy_cost_list = []  ...     for i in range(len(df)):  ...         # 获取用电量和时间（小时）  ...         energy_used = df.iloc[i]['energy_kwh']  ...         hour = df.iloc[i]['date_time'].hour  ...         energy_cost = apply_tariff(energy_used, hour)  ...         energy_cost_list.append(energy_cost)  ...     df['cost_cents'] = energy_cost_list  ...   >>> apply_tariff_loop(df)  Best of 3 trials with 100 function calls per trial:  Function `apply_tariff_loop` ran in average of 3.152 seconds.

对于那些写Pythonic风格的人来说，这个设计看起来很自然。然而，这个循环将会严重影响效率。原因有几个：

首先，它需要初始化一个将记录输出的列表。

其次，它使用不透明对象范围(0，len(df))循环，然后再应用apply_tariff()之后，它必须将结果附加到用于创建新DataFrame列的列表中。另外，还使用df.iloc [i]['date_time']执行所谓的链式索引，这通常会导致意外的结果。

这种方法的最大问题是计算的时间成本。对于8760行数据，此循环花费了3秒钟。

接下来，一起看下优化的提速方案。

使用 iterrows循环

第一种可以通过pandas引入iterrows方法让效率更高。这些都是一次产生一行的生成器方法，类似scrapy中使用的yield用法。

.itertuples为每一行产生一个namedtuple，并且行的索引值作为元组的第一个元素。nametuple是Python的collections模块中的一种数据结构，其行为类似于Python元组，但具有可通过属性查找访问的字段。

.iterrows为DataFrame中的每一行产生（index，series）这样的元组。

在这个例子中使用.iterrows，我们看看这使用iterrows后效果如何。

>>> @timeit(repeat=3, number=100)  ... def apply_tariff_iterrows(df):  ...     energy_cost_list = []  ...     for index, row in df.iterrows():  ...         # 获取用电量和时间（小时）  ...         energy_used = row['energy_kwh']  ...         hour = row['date_time'].hour  ...         # 添加cost列表  ...         energy_cost = apply_tariff(energy_used, hour)  ...         energy_cost_list.append(energy_cost)  ...     df['cost_cents'] = energy_cost_list  ...  >>> apply_tariff_iterrows(df)  Best of 3 trials with 100 function calls per trial:  Function `apply_tariff_iterrows` ran in average of 0.713 seconds.

这样的语法更明确，并且行值引用中的混乱更少，因此它更具可读性。

时间成本方面：快了近5倍！

但是，还有更多的改进空间，理想情况是可以用pandas内置更快的方法完成。

pandas的apply方法

我们可以使用.apply方法而不是.iterrows进一步改进此操作。pandas的.apply方法接受函数callables并沿DataFrame的轴(所有行或所有列)应用。下面代码中，lambda函数将两列数据传递给apply_tariff()：

>>> @timeit(repeat=3, number=100)  ... def apply_tariff_withapply(df):  ...     df['cost_cents'] = df.apply(  ...         lambda row: apply_tariff(  ...             kwh=row['energy_kwh'],  ...             hour=row['date_time'].hour),  ...         axis=1)  ...  >>> apply_tariff_withapply(df)  Best of 3 trials with 100 function calls per trial:  Function `apply_tariff_withapply` ran in average of 0.272 seconds.

apply的语法优点很明显，行数少，代码可读性高。在这种情况下，所花费的时间大约是iterrows方法的一半。

但是，这还不是“非常快”。一个原因是apply()将在内部尝试循环遍历Cython迭代器。但是在这种情况下，传递的lambda不是可以在Cython中处理的东西，因此它在Python中调用并不是那么快。

如果我们使用apply()方法获取10年的小时数据，那么将需要大约15分钟的处理时间。如果这个计算只是大规模计算的一小部分，那么真的应该提速了。这也就是矢量化操作派上用场的地方。

矢量化操作：使用.isin选择数据

什么是矢量化操作？

如果你不基于一些条件，而是可以在一行代码中将所有电力消耗数据应用于该价格：df ['energy_kwh'] * 28，类似这种。那么这个特定的操作就是矢量化操作的一个例子，它是在pandas中执行的最快方法。

但是如何将条件计算应用为pandas中的矢量化运算？

一个技巧是：根据你的条件，选择和分组DataFrame，然后对每个选定的组应用矢量化操作。

在下面代码中，我们将看到如何使用pandas的.isin()方法选择行，然后在矢量化操作中实现新特征的添加。在执行此操作之前，如果将date_time列设置为DataFrame的索引，会更方便：

# 将date_time列设置为DataFrame的索引  df.set_index('date_time', inplace=True)  @timeit(repeat=3, number=100)  def apply_tariff_isin(df):      # 定义小时范围Boolean数组      peak_hours = df.index.hour.isin(range(17, 24))      shoulder_hours = df.index.hour.isin(range(7, 17))      off_peak_hours = df.index.hour.isin(range(0, 7))     # 使用上面apply_traffic函数中的定义      df.loc[peak_hours, 'cost_cents'] = df.loc[peak_hours, 'energy_kwh'] * 28      df.loc[shoulder_hours,'cost_cents'] = df.loc[shoulder_hours, 'energy_kwh'] * 20      df.loc[off_peak_hours,'cost_cents'] = df.loc[off_peak_hours, 'energy_kwh'] * 12

我们来看一下结果如何。

>>> apply_tariff_isin(df)  Best of 3 trials with 100 function calls per trial:  Function `apply_tariff_isin` ran in average of 0.010 seconds.

提示，上面.isin()方法返回的是一个布尔值数组，如下：

[False, False, False, ..., True, True, True]

布尔值标识了DataFrame索引datetimes是否落在了指定的小时范围内。然后把这些布尔数组传递给DataFrame的.loc，将获得一个与这些小时匹配的DataFrame切片。然后再将切片乘以适当的费率，这就是一种快速的矢量化操作了。

上面的方法完全取代了我们最开始自定义的函数apply_tariff()，代码大大减少，同时速度起飞。

运行时间比Pythonic的for循环快315倍，比iterrows快71倍，比apply快27倍！

还能更快？

太刺激了，我们继续加速。

在上面apply_tariff_isin中，我们通过调用df.loc和df.index.hour.isin三次来进行一些手动调整。如果我们有更精细的时间范围，你可能会说这个解决方案是不可扩展的。但在这种情况下，我们可以使用pandas的pd.cut()函数来自动完成切割：

@timeit(repeat=3, number=100)  def apply_tariff_cut(df):      cents_per_kwh = pd.cut(x=df.index.hour,                             bins=[0, 7, 17, 24],                             include_lowest=True,                             labels=[12, 20, 28]).astype(int)      df['cost_cents'] = cents_per_kwh * df['energy_kwh']

上面代码pd.cut()会根据bin列表应用分组。

其中include_lowest参数表示第一个间隔是否应该是包含左边的。

这是一种完全矢量化的方法，它在时间方面是最快的：

>>> apply_tariff_cut(df)  Best of 3 trials with 100 function calls per trial:  Function `apply_tariff_cut` ran in average of 0.003 seconds.

到目前为止，使用pandas处理的时间上基本快达到极限了！只需要花费不到一秒的时间即可处理完整的10年的小时数据集。

但是，最后一个其它选择，就是使用 NumPy，还可以更快！

使用Numpy继续加速

使用pandas时不应忘记的一点是Pandas的Series和DataFrames是在NumPy库之上设计的。并且，pandas可以与NumPy阵列和操作无缝衔接。

下面我们使用NumPy的 digitize()函数更进一步。它类似于上面pandas的cut()，因为数据将被分箱，但这次它将由一个索引数组表示，这些索引表示每小时所属的bin。然后将这些索引应用于价格数组：

@timeit(repeat=3, number=100)  def apply_tariff_digitize(df):      prices = np.array([12, 20, 28])      bins = np.digitize(df.index.hour.values, bins=[7, 17, 24])      df['cost_cents'] = prices[bins] * df['energy_kwh'].values

与cut函数一样，这种语法非常简洁易读。

>>> apply_tariff_digitize(df)  Best of 3 trials with 100 function calls per trial:  Function `apply_tariff_digitize` ran in average of 0.002 seconds.

0.002秒！ 虽然仍有性能提升，但已经很边缘化了。

到此，相信大家对“pandas的优点有哪些”有了更深的了解，不妨来实际操作一番吧！这里是亿速云网站，更多相关内容可以进入相关频道进行查询，关注我们，继续学习！