python - Pandas :DataFrame.mean() 非常慢。如何更快地计算列的均值？

Question

我有一个相当大的 CSV 文件，它包含 9917530 行(没有标题)和 54 列。列是实数或整数，只有一个包含日期。文件上有一些 NULL 值，在我将其加载到 pandas DataFrame 后，这些值被转换为 nan，我这样做是这样的:

import pandas as pd
data = pd.read_csv('data.csv')

加载后，我认为速度非常快，因为它花费了大约 30 秒(与使用 Unix 工具 wc 计算行数的时间几乎相同)，该过程占用了大约 4Gb 的 RAM (磁盘上文件的大小:2.2 Gb。到目前为止一切顺利。

然后我尝试执行以下操作:

column_means = data.mean()

进程占用的内存很快增长到 ~22Gb。我还可以看到处理器(一个核心)非常非常忙——大约三个小时，之后我终止了进程，因为我需要使用机器做其他事情。我有一台运行 Linux 的速度相当快的 PC - 它有 2 个处理器，每个处理器有 4 个内核，所以它总共有 8 个内核，还有 32 Gb 的 RAM。我不敢相信计算列均值会花这么长时间。

谁能解释为什么 DataFrame.mean() 这么慢？更重要的是，有什么更好的方法来计算这样的文件列的均值？我是否没有以最佳方式加载文件，我应该使用不同的函数而不是 DataFrame.mean() 还是使用完全不同的工具？

非常感谢。

编辑。以下是 df.info() 显示的内容:

<class 'pandas.core.frame.DataFrame'>
Int64Index: 9917530 entries, 0 to 9917529
Data columns (total 54 columns):
srch_id                        9917530  non-null values
date_time                      9917530  non-null values
site_id                        9917530  non-null values
visitor_location_country_id    9917530  non-null values
visitor_hist_starrating        505297  non-null values
visitor_hist_adr_usd           507612  non-null values
prop_country_id                9917530  non-null values
prop_id                        9917530  non-null values
prop_starrating                9917530  non-null values
prop_review_score              9902900  non-null values
prop_brand_bool                9917530  non-null values
prop_location_score1           9917530  non-null values
prop_location_score2           7739150  non-null values
prop_log_historical_price      9917530  non-null values
position                       9917530  non-null values
price_usd                      9917530  non-null values
promotion_flag                 9917530  non-null values
srch_destination_id            9917530  non-null values
srch_length_of_stay            9917530  non-null values
srch_booking_window            9917530  non-null values
srch_adults_count              9917530  non-null values
srch_children_count            9917530  non-null values
srch_room_count                9917530  non-null values
srch_saturday_night_bool       9917530  non-null values
srch_query_affinity_score      635564  non-null values
orig_destination_distance      6701069  non-null values
random_bool                    9917530  non-null values
comp1_rate                     235806  non-null values
comp1_inv                      254433  non-null values
comp1_rate_percent_diff        184907  non-null values
comp2_rate                     4040633  non-null values
comp2_inv                      4251538  non-null values
comp2_rate_percent_diff        1109847  non-null values
comp3_rate                     3059273  non-null values
comp3_inv                      3292221  non-null values
comp3_rate_percent_diff        944007  non-null values
comp4_rate                     620099  non-null values
comp4_inv                      692471  non-null values
comp4_rate_percent_diff        264213  non-null values
comp5_rate                     4444294  non-null values
comp5_inv                      4720833  non-null values
comp5_rate_percent_diff        1681006  non-null values
comp6_rate                     482487  non-null values
comp6_inv                      524145  non-null values
comp6_rate_percent_diff        193312  non-null values
comp7_rate                     631077  non-null values
comp7_inv                      713175  non-null values
comp7_rate_percent_diff        277838  non-null values
comp8_rate                     3819043  non-null values
comp8_inv                      3960388  non-null values
comp8_rate_percent_diff        1225707  non-null values
click_bool                     9917530  non-null values
gross_bookings_usd             276592  non-null values
booking_bool                   9917530  non-null values
dtypes: float64(34), int64(19), object(1)None

Answer 1

这是一个类似大小的 from ，但没有对象列

In [10]: nrows = 10000000

In [11]: df = pd.concat([DataFrame(randn(int(nrows),34),columns=[ 'f%s' % i for i in range(34) ]),DataFrame(randint(0,10,size=int(nrows*19)).reshape(int(nrows),19),columns=[ 'i%s' % i for i in range(19) ])],axis=1)

In [12]: df.iloc[1000:10000,0:20] = np.nan

In [13]: df.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 10000000 entries, 0 to 9999999
Data columns (total 53 columns):
f0     9991000  non-null values
f1     9991000  non-null values
f2     9991000  non-null values
f3     9991000  non-null values
f4     9991000  non-null values
f5     9991000  non-null values
f6     9991000  non-null values
f7     9991000  non-null values
f8     9991000  non-null values
f9     9991000  non-null values
f10    9991000  non-null values
f11    9991000  non-null values
f12    9991000  non-null values
f13    9991000  non-null values
f14    9991000  non-null values
f15    9991000  non-null values
f16    9991000  non-null values
f17    9991000  non-null values
f18    9991000  non-null values
f19    9991000  non-null values
f20    10000000  non-null values
f21    10000000  non-null values
f22    10000000  non-null values
f23    10000000  non-null values
f24    10000000  non-null values
f25    10000000  non-null values
f26    10000000  non-null values
f27    10000000  non-null values
f28    10000000  non-null values
f29    10000000  non-null values
f30    10000000  non-null values
f31    10000000  non-null values
f32    10000000  non-null values
f33    10000000  non-null values
i0     10000000  non-null values
i1     10000000  non-null values
i2     10000000  non-null values
i3     10000000  non-null values
i4     10000000  non-null values
i5     10000000  non-null values
i6     10000000  non-null values
i7     10000000  non-null values
i8     10000000  non-null values
i9     10000000  non-null values
i10    10000000  non-null values
i11    10000000  non-null values
i12    10000000  non-null values
i13    10000000  non-null values
i14    10000000  non-null values
i15    10000000  non-null values
i16    10000000  non-null values
i17    10000000  non-null values
i18    10000000  non-null values
dtypes: float64(34), int64(19)

时间(与您相似的机器规范)

In [14]: %timeit df.mean()
1 loops, best of 3: 21.5 s per loop

您可以通过预转换为 float 获得 2 倍的加速(意味着这样做，但以更通用的方式进行，所以速度更慢)

In [15]: %timeit df.astype('float64').mean()
1 loops, best of 3: 9.45 s per loop

您的问题是对象列。 Mean 将尝试计算所有列，但由于对象列，所有内容都向上转换为 object dtype，这对于计算效率不高。

最好的办法是做

 df._get_numeric_data().mean()

numeric_only 有一个选项可以在较低级别执行此操作，但由于某些原因，我们不通过顶级函数(例如 mean)直接支持此操作。我认为添加此参数会产生问题。但是默认情况下可能为 False(不排除)。