Pandas中Apply函数加速百倍的技巧

现在的dask，cudf包的出现，我们的数据处理得到了大大的加速，但不是很贵的人比较好gpu，非常多的朋友仍然可以使用pandas工具包，但等真的很无奈，熊猫的许多问题我们都需要使用apply函数来进行处理，而apply函数是非常缓慢的，本文我们就介绍如何加速apply函数600倍的技巧。

实验对比

01 应用（基线）

我们以应用为案，原来的应用程序处理下面这个问题，需要18.4 秒的时间。

import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randint(0, 11, size=(1000000, 5)), columns=('a','b','c','d','e'))
def func(a,b,c,d,e):
    if e == 10:
        return c*d
    elif (e < 10) and (e>=5):
        return c+d
    elif e < 5:
        return a+b
%%time
df['new'] = df.apply(lambda x: func(x['a'], x['b'], x['c'], x['d'], x['e']), axis=1)
CPU times: user 17.9 s, sys: 301 ms, total: 18.2 s
Wall time: 18.4 s

02 迅捷

因为处理是并行的，所以我们可以使用Swift进行加速，在使用Swift之后，相同的操作在我的机器上可以提升到7.67s 。

%%time
# !pip install swifter
import swifter
df['new'] = df.swifter.apply(lambda x : func(x['a'],x['b'],x['c'],x['d'],x['e']),axis=1)
HBox(children=(HTML(value='Dask Apply'), FloatProgress(value=0.0, max=16.0), HTML(value='')))

CPU times: user 329 ms, sys: 240 ms, total: 569 ms
Wall time: 7.67 s

03 矢量化

使用Pandas和Numpy的避免应用方法是将函数直接化。如果我们的操作是可以直接直接化的话，那么我们就很简单的使用

• 用于循环；
• 列表处理；
• 应用等操作

在将上面的问题转化为下面的处理之后，我们的时间为：421 ms

%%time
df['new'] = df['c'] * df['d'] #default case e = =10
mask = df['e'] < 10
df.loc[mask,'new'] = df['c'] + df['d']
mask = df['e'] < 5
df.loc[mask,'new'] = df['a'] + df['b']
CPU times: user 134 ms, sys: 149 ms, total: 283 ms
Wall time: 421 ms

04 类别转化+类别化

我们先将上面的类别转化为int16型，再进行相同的操作，发现时间为：116 ms

for col in ('a','b','c','d'):
    df[col] = df[col].astype(np.int16) 
%%time
df['new'] = df['c'] * df['d'] #default case e = =10
mask = df['e'] < 10
df.loc[mask,'new'] = df['c'] + df['d']
mask = df['e'] < 5
df.loc[mask,'new'] = df['a'] + df['b']
CPU times: user 71.3 ms, sys: 42.5 ms, total: 114 ms
Wall time: 116 ms

05 转化为值处理

在能转化为.values的地方典型转化为.values，再进行操作。

• 这里先转化为.values等价于转化为numpy，这样我们的操作会更快捷。

于是，上面的操作时间又被延迟为：74.9ms

%%time
df['new'] = df['c'].values * df['d'].values #default case e = =10
mask = df['e'].values < 10
df.loc[mask,'new'] = df['c'] + df['d']
mask = df['e'].values < 5
df.loc[mask,'new'] = df['a'] + df['b']
CPU times: user 64.5 ms, sys: 12.5 ms, total: 77 ms
Wall time: 74.9 ms

实验总结

通过上面的一些小技巧，我们将简单的长大了，具体地：

• 应用：18.4 秒
• 应用 + Swifter：7.67 秒
• 熊猫矢量化：421 毫秒
• Pandas 矢量化 + 数据类型：116 毫秒
• Pandas 向量化 + 值 + 数据类型：74.9ms

参考文献

https://towardsdatascience.com/do-you-use-apply-in-pandas-there-is-a-600x-faster-way-d2497facfa66

如果觉得有用，就请分享到朋友圈吧！