這篇文章給大家分享的是有關怎么提高Pandas的運行速度的內(nèi)容。小編覺得挺實用的，因此分享給大家做個參考，一起跟隨小編過來看看吧。

在雜多等地區(qū)，都構建了全面的區(qū)域性戰(zhàn)略布局，加強發(fā)展的系統(tǒng)性、市場前瞻性、產(chǎn)品創(chuàng)新能力，以專注、極致的服務理念，為客戶提供網(wǎng)站設計制作、網(wǎng)站建設 網(wǎng)站設計制作按需制作,公司網(wǎng)站建設,企業(yè)網(wǎng)站建設,成都品牌網(wǎng)站建設,成都營銷網(wǎng)站建設,成都外貿(mào)網(wǎng)站建設公司,雜多網(wǎng)站建設費用合理。

1、數(shù)據(jù)讀取的優(yōu)化

讀取數(shù)據(jù)是進行數(shù)據(jù)分析前的一個必經(jīng)環(huán)節(jié)，pandas中也內(nèi)置了許多數(shù)據(jù)讀取的函數(shù)，最常見的就是用pd.read_csv()函數(shù)從csv文件讀取數(shù)據(jù)。pkl格式的數(shù)據(jù)的讀取速度最快，所以對于日常的數(shù)據(jù)集（大多為csv格式），可以先用pandas讀入，然后將數(shù)據(jù)轉存為pkl或者hdf格式，之后每次讀取數(shù)據(jù)時候，便可以節(jié)省一些時間。代碼如下：

import pandas as pd

#讀取csv

df = pd.read_csv('xxx.csv')

#pkl格式

df.to_pickle('xxx.pkl') #格式另存

df = pd.read_pickle('xxx.pkl') #讀取

#hdf格式

df.to_hdf('xxx.hdf','df') #格式另存

df = pd.read_hdf('xxx.pkl','df') #讀取

2、進行聚合操作時的優(yōu)化

在使用 agg 和 transform 進行操作時，盡量使用Python的內(nèi)置函數(shù)，能夠提高運行效率。（數(shù)據(jù)用的還是上面的測試用例）

（1）agg+Python內(nèi)置函數(shù)

（2）agg+非內(nèi)置函數(shù)

可以看到對 agg 方法，使用內(nèi)置函數(shù)時運行效率提升了60%。

（3）transform+Python內(nèi)置函數(shù)

（4）transform+非內(nèi)置函數(shù)

對 transform 方法而言，使用內(nèi)置函數(shù)時運行效率提升了兩倍。

3、對數(shù)據(jù)進行逐行操作時的優(yōu)化

假設我們現(xiàn)在有這樣一個電力消耗數(shù)據(jù)集，以及對應時段的電費價格。數(shù)據(jù)集記錄著每小時的電力消耗，如第一行代表2001年1月13日零點消耗了0.586kwh的電。不同使用時段的電費價格不一樣，我們現(xiàn)在的目的是求出總的電費，那么就需要將對應時段的單位電費×消耗電量。下面給出了三種寫法，我們分別測試這三種處理方式，對比一下這三種寫法有什么不同，代碼效率上有什么差異。

#編寫求得相應結果的函數(shù)

def get_cost(kwh, hour):

if 0 <= hour < 7:

rate = 0.6

elif 7 <= hour < 17:

rate = 0.68

elif 17 <= hour < 24:

rate = 0.75

else:

raise ValueError(f'Invalid hour: {hour}')

return rate * kwh

#方法一：簡單循環(huán)

def loop(df):

cost_list = []

for i in range(len(df)):

energy_used = df.iloc[i]['energy_kwh']

hour = df.iloc[i]['date_time'].hour

energy_cost = get_cost(energy_used, hour)

cost_list.append(energy_cost)

df['cost'] = cost_list

#方法二：apply方法

def apply_method(df):

df['cost'] = df.apply(

lambda row: get_cost(

kwh=row['energy_kwh'],

hour=row['date_time'].hour),

axis=1)

#方法三：采用isin篩選出各時段，分段處理

df.set_index('date_time', inplace=True)

def isin_method(df):

peak_hours = df.index.hour.isin(range(17, 24))

simple_hours = df.index.hour.isin(range(7, 17))

off_peak_hours = df.index.hour.isin(range(0, 7))

df.loc[peak_hours, 'cost'] = df.loc[peak_hours, 'energy_kwh'] * 0.75

df.loc[simple_hours,'cost'] = df.loc[simple_hours, 'energy_kwh'] * 0.68

df.loc[off_peak_hours,'cost'] = df.loc[off_peak_hours, 'energy_kwh'] * 0.6

測試結果：

可以看到，采用 isin() 篩選出對應數(shù)據(jù)后分開計算的速度是簡單循環(huán)的近606倍，這并不是說 isin() 有多厲害，方法三速度快是因為它采用了向量化的數(shù)據(jù)處理方式（這里的isin() 是其中一種方式，還有其他方式，大家可以嘗試一下） ，這才是重點。

4、使用numba進行加速

如果在你的數(shù)據(jù)處理過程涉及到了大量的數(shù)值計算，那么使用numba可以大大加快代碼的運行效率，numba使用起來也很簡單，下面給大家演示一下。（代碼處理不具有實際意義，只是展示一下效果）

首先需要安裝numba模塊

>>>pip install numba

我們用一個簡單的例子測試一下numba的提速效果

import numba

@numba.vectorize

def f_with_numba(x):

return x * 2

def f_without_numba(x):

return x * 2

#方法一：apply逐行操作

df["double_energy"] = df.energy_kwh.apply(f_without_numba)

#方法二：向量化運行

df["double_energy"] = df.energy_kwh*2

#方法三：運用numba加速

#需要以numpy數(shù)組的形式傳入

#否則會報錯

df["double_energy"] = f_with_numba(df.energy_kwh.to_numpy())

從測試結果來看，再次凸顯出向量化處理的優(yōu)勢，同時numba對原本速度已經(jīng)很快的向量化處理也能提高一倍多的效率。

感謝各位的閱讀！關于“怎么提高Pandas的運行速度”這篇文章就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，讓大家可以學到更多知識，如果覺得文章不錯，可以把它分享出去讓更多的人看到吧！