python - 慢 pd.to_datetime()

Question

我正在阅读两种非常相似的 csv 文件。它们的长度大致相同，为 20 000 行。每条线代表每秒记录的参数。因此，第一列是时间戳。

• 在第一个文件中，模式如下:2018-09-24 15:38
• 在第二个文件中，模式如下:2018-09-24 03:38:06 PM

在这两种情况下，命令是相同的:

data = pd.read_csv(file)
data['Timestamp'] = pd.to_datetime(data['Timestamp'])

我检查两条线的执行时间:

• pd.read 在这两种情况下同样有效
• 执行第二行代码需要大约 3 到 4 秒

唯一的区别是日期模式。我不会怀疑的。你知道为什么吗？你知道如何解决这个问题吗？

Answer 1

pandas.to_datetime 在需要自动解析日期时(在某些情况下)非常慢。既然你知道格式，你应该显式地将它们传递给 format 参数，这将大大提高速度。

这是一个例子:

import pandas as pd
df1 = pd.DataFrame({'Timestamp': ['2018-09-24 15:38:06']*10**5})
df2 = pd.DataFrame({'Timestamp': ['2018-09-24 03:38:06 PM']*10**5})

%timeit pd.to_datetime(df1.Timestamp)
#21 ms ± 50.4 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

%timeit pd.to_datetime(df2.Timestamp)
#14.3 s ± 122 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

慢了 700 倍。现在明确指定格式:

%timeit pd.to_datetime(df2.Timestamp, format='%Y-%m-%d %I:%M:%S %p')
#384 ms ± 1.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

pandas 解析第二种日期格式的速度仍然较慢，但已经不像以前那么糟糕了。

---

编辑:从 pd.__version__ == '1.0.5' 开始，对于过去解析速度极慢的格式，自动解析似乎变得更好了，这可能是由于 this performance improvement 的实现在 pd.__version == '0.25.0'

import pandas as pd
df1 = pd.DataFrame({'Timestamp': ['2018-09-24 15:38:06']*10**5})
df2 = pd.DataFrame({'Timestamp': ['2018-09-24 03:38:06 PM']*10**5})

%timeit pd.to_datetime(df1.Timestamp)
#9.01 ms ± 294 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

%timeit pd.to_datetime(df2.Timestamp)
#9.1 ms ± 267 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)