python - 访问 Pandas DataFrame 最快的方法是什么？

Question

我有一个包含 541 列的 DataFrame df，我需要将其列名的所有唯一对保存到单独的 DataFrame 的行中，每行重复 8 次。

我想我会创建一个空的 DataFrame fp，通过 df 的列名进行双重循环，插入到每 8 行，并用最后一个可用值填充空白。

当我尝试这样做时，虽然我对它花费的时间感到困惑。有了 541 列，我只需要写 146,611 次，却花了 20 多分钟。这对于数据访问来说似乎是过分的。问题出在哪里，我该如何解决？与 Pandas 相比，用列生成相关矩阵所需的时间更少，所以我一定是做错了什么。

这是我的意思的一个可重现的例子:

fp = np.empty(shape = (146611, 10))
fp.fill(np.nan)

fp = pd.DataFrame(fp)

%timeit for idx in range(0, len(fp)): fp.iloc[idx, 0] = idx

# 1 loop, best of 3: 22.3 s per loop

Answer 1

不要做 iloc/loc/chained-indexing。单独使用 NumPy 接口(interface)可将速度提高约 180 倍。如果您进一步删除元素访问权限，我们可以将其提高到 180,000 倍。

fp = np.empty(shape = (146611, 10))
fp.fill(np.nan)

fp = pd.DataFrame(fp)

# this confirms how slow data access is on my computer
%timeit for idx in range(0, len(fp)): fp.iloc[idx, 0] = idx

1 loops, best of 3: 3min 9s per loop

# this accesses the underlying NumPy array, so you can directly set the data
%timeit for idx in range(0, len(fp)): fp.values[idx, 0] = idx

1 loops, best of 3: 1.19 s per loop

这是因为在 Python 层中有大量代码用于这种幻想索引，每个循环大约需要 10 微秒。应该使用 Pandas 索引来检索整个数据子集，然后您可以使用这些子集对整个数据帧进行矢量化操作。单个元素访问非常缓慢:使用 Python 字典将使您的性能提高 > 180 倍。

当您访问列或行而不是单个元素时，情况会好很多:好 3 个数量级。

# set all items in 1 go.
%timeit fp[0] = np.arange(146611)
1000 loops, best of 3: 814 µs per loop

道德

不要尝试通过链式索引、loc 或 iloc 访问单个元素。从 Python 列表(或 C 接口(interface)，如果性能绝对关键)，在单个分配中生成 NumPy 数组，然后对整个列或数据帧执行操作。

使用 NumPy 数组并直接对列而不是单个元素执行操作，我们的性能提高了 180,000 多倍。不太破旧。

编辑

@kushy 的评论表明 Pandas 可能有 optimized自从我最初写这个答案以来，在某些情况下索引。始终分析您自己的代码，您的里程可能会有所不同。