↓推薦關注↓

[ 引言 ] 雖然目前dask,cudf等包的出現，使得我們的數據處理大大得到了加速，但是并不是每個人都有比較好的gpu，非常多的朋友仍然還在使用pandas工具包，但有時候真的很無奈，pandas的許多問題我們都需要使用apply函數來進行處理，而apply函數是非常慢的，本文我們就介紹如何加速apply函數600倍的技巧。

實驗對比01Apply(Baseline) 我們以Apply為例，原始的Apply函數處理下面這個問題，需要18.4s的時間。

importpandasaspd
importnumpyasnp
df=pd.DataFrame(np.random.randint(0,11,size=(1000000,5)),columns=('a','b','c','d','e'))
deffunc(a,b,c,d,e):
ife==10:
returnc*d
elif(e=5):
returnc+d
elifereturna+b
%%time
df['new']=df.apply(lambdax:func(x['a'],x['b'],x['c'],x['d'],x['e']),axis=1)
CPUtimes:user17.9s,sys:301ms,total:18.2s
Walltime:18.4s

02Swift加速 因為處理是并行的，所以我們可以使用Swift進行加速，在使用Swift之后，相同的操作在我的機器上可以提升到7.67s。

%%time
#!pipinstallswifter
importswifter
df['new']=df.swifter.apply(lambdax:func(x['a'],x['b'],x['c'],x['d'],x['e']),axis=1)
HBox(children=(HTML(value='DaskApply'),FloatProgress(value=0.0,max=16.0),HTML(value='')))

CPUtimes:user329ms,sys:240ms,total:569ms
Walltime:7.67s

03向量化 使用Pandas和Numpy的最快方法是將函數向量化。如果我們的操作是可以直接向量化的話，那么我們就盡可能的避免使用：

• for循環；
• 列表處理；
• apply等操作

在將上面的問題轉化為下面的處理之后，我們的時間縮短為：421 ms。

%%time
df['new']=df['c']*df['d']#defaultcasee==10
mask=df['e']'new']=df['c']+df['d']
mask=df['e']'new']=df['a']+df['b']
CPUtimes:user134ms,sys:149ms,total:283ms
Walltime:421ms

04類別轉化+向量化 我們先將上面的類別轉化為int16型，再進行相同的向量化操作，發現時間縮短為：116 ms。

forcolin('a','b','c','d'):
df[col]=df[col].astype(np.int16)
%%time
df['new']=df['c']*df['d']#defaultcasee==10
mask=df['e']'new']=df['c']+df['d']
mask=df['e']'new']=df['a']+df['b']
CPUtimes:user71.3ms,sys:42.5ms,total:114ms
Walltime:116ms

05轉化為values處理 在能轉化為.values的地方盡可能轉化為.values，再進行操作。

• 此處先轉化為.values等價于轉化為numpy，這樣我們的向量化操作會更加快捷。

于是，上面的操作時間又被縮短為：74.9ms。

%%time
df['new']=df['c'].values*df['d'].values#defaultcasee==10
mask=df['e'].values'new']=df['c']+df['d']
mask=df['e'].values'new']=df['a']+df['b']
CPUtimes:user64.5ms,sys:12.5ms,total:77ms
Walltime:74.9ms

實驗匯總 通過上面的一些小的技巧，我們將簡單的Apply函數加速了幾百倍，具體的：

• Apply: 18.4 s
• Apply + Swifter: 7.67 s
• Pandas vectorizatoin: 421 ms
• Pandas vectorization + data types: 116 ms
• Pandas vectorization + values + data types: 74.9ms

參考文獻：Do You Use Apply in Pandas? There is a 600x Faster Way

審核編輯 ：李倩