Pandas中高效的“For循环”

news2024/10/1 5:34:26

循环是我们编程技能中的一项固有技能。当我们熟悉任何编程语言时，循环就会成为一个基本的、易于解释的概念。

在这篇博文中，我们将探索遍历pandas dataframe的各种方法，检查每个循环方法的相关运行时。为了验证循环的有效性，我们将生成百万级别的数据，这也是我们在日常处理中经常遇到的数量级。

实验数据集

我们将生成一个包含600万行和4列的DataFrame。每一列将被分配一个0到50之间的随机整数。

 import numpy as np
 import pandas as pd
 df = pd.DataFrame(np.random.randint(0, 50, size=(6000000, 4)), columns=('a','b','c','d'))
 df.shape
 # (6000000, 5)
 df.head()

Iterrows

我们通过基于以下标准引入一个新的列’ e ‘来扩展数据框架’ df ':

如果’ a ‘等于0，那么’ e ‘取’ d ‘的值。如果’ a ‘在0(不包括)到25(包括)的范围内，’ e ‘计算为’ b ‘减去’ c '。如果以上条件都不成立，则计算“e”为“b”+“c”。

首先我们使用pandas提供的’ iterrows() '函数遍历DataFrame ’ df ‘。’ iterrows() '函数遍历DataFrame的行，在迭代期间返回(index, row)对。

 import time 
 start = time.time()
 # Iterating through DataFrame using iterrows
 for idx, row in df.iterrows():
     if row.a == 0:
         df.at[idx,'e'] = row.d
     
     elif (row.a <= 25) & (row.a > 0):
         df.at[idx,'e'] = (row.b)-(row.c)
     else:
         df.at[idx,'e'] = row.b + row.c
 end = time.time()
 print(end - start)
 # time taken: 335.212792634964

iterrows()函数需要335秒(约5.5分钟)来实现对600万行的操作。

Itertuples

另一种遍历pandas DataFrame的方法是使用’ itertuples '，它以命名元组的形式遍历DataFrame行。

下面代码说明了如何使用’ itertuples '访问元素。生成的行对象将索引作为第一个字段，然后是数据框的列。

 for row in df[:1].itertuples():
     print(row)  ## accessing the complete row - index following by columns
     print(row.Index) ## accessing the index of the row
     print(row.a) ## accessing the value of column 'a'

使用下面的代码，使用itertuples()遍历DataFrame df。

 start = time.time()
 # Iterating through namedtuples
 for row in df.itertuples():
     if row.a == 0:
         df.at[row.Index,'e'] = row.d
     
     elif (row.a <= 25) & (row.a > 0):
         df.at[row.Index,'e'] = (row.b)-(row.c)
     else:
         df.at[row.Index,'e'] = row.b + row.c 
         
 end = time.time()
 print(end - start)
 ## Time taken: 41 seconds

在DataFrame上执行所需的操作，itertuples()函数耗时约54秒，比iterrows()函数快6倍。

字典

迭代DataFrame行的另一种方法是将DataFrame转换为字典，这是一种轻量级的内置数据类型。我们遍历该字典以执行所需的操作，然后将更新后的字典转换回DataFrame。转换可以使用’ to_dict() '函数来实现。

 start = time.time()
 # converting the DataFrame to a dictionary
 df_dict = df.to_dict('records')  
 # Iterating through the dictionary 
 for row in df_dict[:]:
     if row['a'] == 0:
         row['e'] = row['d']
     
     elif row['a'] <= 25 & row['a'] > 0:
         row['e'] = row['b']-row['c']
     else:
         row['e'] = row['b'] + row['c']
 # converting back to DataFrame
 df4 = pd.DataFrame(df_dict)
 end = time.time()
 print(end - start)
 ## Time taken: 31 seconds

字典方法大约需要31秒，大约比’ itertuples() '函数快11倍。

数组列表

我们还可以将DataFrame转换为一个数组，遍历该数组以对每行(存储在列表中)执行操作，然后将该列表转换回DataFrame。

 start = time.time()
 # create an empty dictionary
 list2 = []
 # intialize column having 0s. 
 df['e'] = 0
 # iterate through a NumPy array 
 for row in df.values:
     if row[0] == 0:
         row[4] = row[3]
     
     elif row[0] <= 25 & row[0] > 0:
         row[4] = row[1]-row[2]
    
     else:
         row[4] = row[1] + row[2]
 ## append values to a list
     list2.append(row)
 ## convert the list to a dataframe  
 df2 = pd.DataFrame(list2, columns=['a', 'b', 'c', 'd','e'])
 end = time.time()
 print(end - start)
 #Time Taken: 21 seconds

花费的时间约为21秒(比iterrows快16倍)，这与遍历字典所花费的时间非常接近。

字典和数组是内置的轻量级数据结构，因此迭代DataFrame所需的时间最少。