由于LLM的发展， 很多的数据集都是以DF的形式发布的，所以通过Pandas操作字符串的要求变得越来越高了，所以本文将对字符串操作方法进行基准测试，看看它们是如何影响pandas的性能的。因为一旦Pandas在处理数据时超过一定限制，它们的行为就会很奇怪。
我们用Faker创建了一个100,000行的测试数据。
测试方法
安装：
!pip install faker
生成测试数据的方法很简答：
import pandas as pd
import numpy as np
def gen_data(x):
from faker import Faker
fake = Faker()
outdata = {}
for i in range(0,x):
outdata[i] = fake.profile()
return pd.DataFrame(outdata).T
n= 100000
basedata = gen_data(n)
然后把Google Colab将输出存储在Google drive中
from google.colab import drive
drive.mount('/content/drive')
创建了非常简单的函数来测试连接两个字符串的各种方法。
def process(a,b):
return ''.join([a,b])
def process(a,b):
return a+b
def process(a,b):
return f"{a}{b}"
def process(a,b):
return f"{a}{b}"*100
创建一个空DF，编写一个函数将输出%%timeit作为一行添加到数据框中
# add a row to the dataframe using %%timeit output
def add_to_df(n, m, x, outputdf):
outputdf.loc[len(outputdf.index)] = [m, n, x]
# output frame
outputdf = pd.DataFrame(columns=['method', 'n', 'timing'])
outputdf
然后就是运行上面的每个函数并将数据导出到pandas的代码。
# get a sample of data
n = 10000
suffix = 'fstring_100x'
data = basedata.copy().sample(n).reset_index()
记录运行时间
%%timeit -r 7 -n 1 -o
data['newcol'] = ''
for row in range(len(data)):
data.at[row ,'newcol'] = process(data.at[row, 'job'], data.at[row, 'company'])
# 451 ms ± 34 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
# <TimeitResult : 451 ms ± 34 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)>
完整的函数调用
m = "Iterating over the rows"
add_to_df(n = n, m = m, x = vars(_), outputdf = outputdf)
试验
上面是代码，下面开始用上面的代码进行试验：
Iterrows (pandas原生函数)每行相加
%%timeit -r 7 -n 1 -o
data['newcol'] = ''
for row, item in data.iterrows():
data.at[row ,'newcol'] = process(item['job'], item['company'])
Itertuples(由于不可变而更安全)每行相加
%%timeit -r 7 -n 1 -o
data['newcol'] = ''
for row, job, company in data[['job','company']].itertuples():
data.at[row ,'newcol'] = process(job, company)
使用pandas原生函数作为字符串相加
%%timeit -r 7 -n 1 -o
data['newcol'] = data.job + data.company
使用原生函数pandas. series .add
%%timeit -r 7 -n 1 -o
data['newcol'] = data.job.add(data.company)
使用dataframe.apply
%%timeit -r 7 -n 1 -o
data['newcol'] = data.apply(lambda row: process(row['job'],row['company']), axis=1)
使用List Map
%%timeit -r 7 -n 1 -o
data['newcol'] = list(map(process, data.job, data.company))
Pandas矢量化
%%timeit -r 7 -n 1 -o
data['newcol'] = process(data.job, data.company)
numpy数组矢量化
%%timeit -r 7 -n 1 -o
data['newcol'] = process(data.job.to_numpy(), data.company.to_numpy())
显式在numpy数组上使用numpy向量化
%%timeit -r 7 -n 1 -o
data['newcol'] = np.vectorize(process)(data.job.to_numpy(), data.company.to_numpy())
优化后的列表推导式
%%timeit -r 7 -n 1 -o
data['newcol'] = ''
data['newcol'] =[process(i,j) for i,j in list(zip(data.job, data.company)) ]
最后是结果的输出：
outputdf.to_csv(f"./drive/MyDrive/{n}_{suffix}.csv")
结果
结果如下所示。我用了上面3种不同函数测试了结果。
原生的字符串加法C = a+b
从1000行扩展到100,000行所需的时间;
可视化对比：
所有矢量化方法都非常快，而且pandas标准的str.add对numpy数组也进行了矢量化。能够看到Pandas的原生方法一般都是线性的。List-map似乎以N的平方根的速度增长
使用fstring: c = f " {a}{b} "
使用fstring，结果很有趣，有的结果无法解释。
时间
可视化
从时间上看，长度超过10,000的DF时，向量化是正确执行的
下图是第三个函数，就是*100，这更能说明问题，向量化操作的基本上时间没有变化
总结
通过上面的测试，我们可以总结一下结果：
1、还是老生常谈的问题，不要使用iterrows()， itertuples()，尽量不要使用DataFrame.apply()，因为几个函数还是循环遍历的。
2、矢量化操作在字符串操作中也是可以使用的，但是为了安全起见，使用Numpy数组。
3、列表推导式就像它的名字一样，它还是一个list
4、还有一些奇怪的无法解释的问题，但是大部分的情况都是可以解释的
https://avoid.overfit.cn/post/2633908f89b14e0bb14bcaab443c3fec
如果你有更好的理解，欢迎留言
作者：Dr. Mandar Karhade
