Pandas常见的性能优化方法

• 2019 年 10 月 4 日
• 笔记

Pandas是数据科学和数据竞赛中常见的库，我们使用Pandas可以进行快速读取数据、分析数据、构造特征。但Pandas在使用上有一些技巧和需要注意的地方，如果你没有合适的使用，那么Pandas可能运行速度非常慢。本文将整理一些Pandas使用技巧，主要是用来节约内存和提高代码速度。

1 数据读取与存取

在Pandas中内置了众多的数据读取函数，可以读取众多的数据格式，最常见的就是read_csv函数从csv文件读取数据了。但read_csv在读取大文件时并不快，所以建议你使用read_csv读取一次原始文件，将dataframe存储为HDF或者feather格式。一般情况下HDF的读取比读取csv文件快几十倍，但HDF文件在大小上会稍微大一些。

建议1：尽可能的避免读取原始csv，使用hdf、feather或h5py格式文件加快文件读取；

在某些定长的字符数据的读取情况下，read_csv读取速度比codecs.readlines慢很多倍。同时如果你想要表格尽量占用较小的内存，可以在read_csv时就设置好每类的类型。

2 itertuples与iterrows

itertuples和iterrows都能实现按行进行迭代的操作，但在任何情况下itertuples都比iterrows快很多倍。

建议2：如果必须要要用iterrows，可以用itertuples来进行替换。

3 apply、transform和agg时尽量使用内置函数

在很多情况下会遇到groupby之后做一些统计值计算，而如果用内置函数的写法会快很多。

transform() 方法+自定义函数，用时1分57s

transform() 方法+内置方法，用时712ms

agg() 方法+自定义函数，用时1分2s

agg() 方法+内置方法，用时694ms

建议3：在grouby、agg和transform时尽量使用内置函数计算。

这一部分的统计数据来自： https://www.cnblogs.com/wkang/p/9794678.html

4 第三方库并行库

由于Pandas的一些操作都是单核的，往往浪费其他核的计算时间，因此有一些第三方库对此进行了改进：

• modin：对读取和常见的操作进行并行；
• swifter：对apply函数进行并行操作；

当然我之前也对此类库进行了尝试，在一些情况下会快一些，但还是不太稳定。在阿里云安全赛中我是用joblib库写的并行特征提取，比单核特征提取快60倍。

建议4：如果能并行就并行，用第三方库或者自己手写多核计算。

5 代码优化思路

在优化Pandas时可以参考如下操作的时间对比：

建议5：在优化的过程中可以按照自己需求进行优化代码，写代码尽量避免循环，尽量写能够向量化计算的代码，尽量写多核计算的代码。

Pandas官方也写了一篇性能优化的文章，非常值得阅读：

https://pandas.pydata.org/pandas-docs/stable/user_guide/enhancingperf.html