如果你曾经使用过Pandas处理表格数据，你可能会熟悉导入数据、清洗和转换的过程，然后将其用作模型的输入。然而，当你需要扩展和将代码投入生产时，你的Pandas管道很可能开始崩溃并运行缓慢。在这篇文章中，笔者将分享2个技巧，帮助你让Pandas代码快得离谱，提升数据处理效率并避免常见的陷阱。
技巧1：矢量化操作
在Pandas中，矢量化操作是一种强大的工具，它可以用一种更简洁和高效的方式处理整个数据框的列，而不是逐行循环。
它是如何工作的？
广播是矢量化操作的一个关键要素，它允许您直观地操作具有不同形状的对象。
eg1: 具有3个元素的数组a与标量b相乘，得到与Source形状相同的数组。
eg2: 在进行加法运算时，将形状为(4,1)的数组a与形状为(3,)的数组b相加，结果会得到一个形状为(4,3)的数组。
关于这一点已经有很多文章，并且在深度学习中，大规模的矩阵乘法是非常常见的。在本文中，我们将利用两个简短的例子上进行讨论。
首先，假设您想要计算给定整数在列中出现的次数。以下是 2 种可能的方法。
"""
计算DataFrame X 中 "column_1" 列中等于目标值 target 的元素个数。
参数：
X: DataFrame，包含要计算的列 "column_1"。
target: int，目标值。
返回值：
int，等于目标值 target 的元素个数。
"""
# 使用循环计数
def count_loop(X, target: int) -> int:
return sum(x == target for x in X["column_1"])
# 使用矢量化操作计数
def count_vectorized(X, target: int) -> int:
return (X["column_1"] == target).sum()现在假设有一个DataFrame带有日期列并希望将其偏移给定的天数。使用矢量化操作计算如下：
def offset_loop(X, days: int) -> pd.DataFrame:
d = pd.Timedelta(days=days)
X["column_const"] = [x + d for x in X["column_10"]]
return X
def offset_vectorized(X, days: int) -> pd.DataFrame:
X["column_const"] = X["column_10"] + pd.Timedelta(days=days)
return X技巧2：迭代
「for循环」
第一个也是最直观的迭代方法是使用Python for循环。
def loop(df: pd.DataFrame, remove_col: str, words_to_remove_col: str) -> list[str]:
res = []
i_remove_col = df.columns.get_loc(remove_col)
i_words_to_remove_col = df.columns.get_loc(words_to_remove_col)
for i_row in range(df.shape[0]):
res.append(
remove_words(
df.iat[i_row, i_remove_col], df.iat[i_row, i_words_to_remove_col]
)
)
return result「apply」
def apply(df: pd.DataFrame, remove_col: str, words_to_remove_col: str) -> list[str]:
return df.apply(
func=lambda x: remove_words(x[remove_col], x[words_to_remove_col]), axis=1
).tolist()在 df.apply 的每次迭代中，提供的可调用函数获取一个 Series，其索引为 df.columns，其值是行的。这意味着 pandas 必须在每个循环中生成该序列，这是昂贵的。为了降低成本，最好对您知道将使用的 df 子集调用 apply，如下所示：
def apply_only_used_cols(df: pd.DataFrame, remove_col: str, words_to_remove_col: str) -> list[str]:
return df[[remove_col, words_to_remove_col]].apply(
func=lambda x: remove_words(x[remove_col], x[words_to_remove_col]), axis=1
)「列表组合+itertuples」
使用itertuples与列表相结合进行迭代肯定会更好。itertuples生成带有行数据的（命名）元组。
def itertuples_only_used_cols(df: pd.DataFrame, remove_col: str, words_to_remove_col: str) -> list[str]:
return [
remove_words(x[0], x[1])
for x in df[[remove_col, words_to_remove_col]].itertuples(
index=False, name=None
)
]「列表组合+zip」
zip接受可迭代对象并生成元组，其中第i个元组按顺序包含所有给定可迭代对象的第i个元素。
def zip_only_used_cols(df: pd.DataFrame, remove_col: str, words_to_remove_col: str) -> list[str]:
return [remove_words(x, y) for x, y in zip(df[remove_col], df[words_to_remove_col])]「列表组合+to_dict」
def to_dict_only_used_columns(df: pd.DataFrame) -> list[str]:
return [
remove_words(row[remove_col], row[words_to_remove_col])
for row in df[[remove_col, words_to_remove_col]].to_dict(orient="records")
]「缓存」
除了我们讨论的迭代技术之外，另外两种方法可以帮助提高代码的性能：缓存和并行化。如果使用相同的参数多次调用 pandas 函数，缓存会特别有用。例如，如果remove_words应用于具有许多重复值的数据集，您可以使用它functools.lru_cache来存储函数的结果并避免每次都重新计算它们。要使用lru_cache，只需将@lru_cache装饰器添加到 的声明中remove_words，然后使用您首选的迭代方法将该函数应用于您的数据集。这可以显着提高代码的速度和效率。以下面的代码为例：
@lru_cache
def remove_words(...):
... # Same implementation as before
def zip_only_used_cols_cached(df: pd.DataFrame, remove_col: str, words_to_remove_col: str) -> list[str]:
return [remove_words(x, y) for x, y in zip(df[remove_col], df[words_to_remove_col])]添加此装饰器会生成一个函数，该函数会“记住”之前遇到的输入的输出，从而无需再次运行所有代码。
「并行化」
最后一张王牌是使用 pandarallel 跨多个独立的 df 块并行化我们的函数调用。该工具易于使用：您只需导入并初始化它，然后将所有 .applys 更改为 .parallel_applys。
from pandarallel import pandarallel
pandarallel.initialize(nb_workers=min(os.cpu_count(), 12))
def parapply_only_used_cols(df: pd.DataFrame, remove_col: str, words_to_remove_col: str) -> list[str]:
return df[[remove_col, words_to_remove_col]].parallel_apply(
lambda x: remove_words(x[remove_col], x[words_to_remove_col]), axis=1
)
