提高 Pandas DataFrame 上的行追加性能

Question

我是运行一个循环遍历嵌套字典、从每条记录中获取数据并将其附加到 Pandas DataFrame 的基本脚本。数据看起来像这样：

data = {"SomeCity": {"Date1": {record1, record2, record3, ...}, "Date2": {}, ...}, ...}

总共有几百万条记录。脚本本身如下所示：

city = ["SomeCity"]
df = DataFrame({}, columns=['Date', 'HouseID', 'Price'])
for city in cities:
    for dateRun in data[city]:
        for record in data[city][dateRun]:
            recSeries = Series([record['Timestamp'], 
                                record['Id'], 
                                record['Price']],
                                index = ['Date', 'HouseID', 'Price'])
            FredDF = FredDF.append(recSeries, ignore_index=True)

但是，这运行起来非常慢。在我寻找一种并行化方法之前，我只是想确保我没有遗漏一些明显的东西，这些东西会使它按原样执行得更快，因为我对 Pandas.[=13 还是很陌生=]

Answer 1

我运行遇到了一个类似的问题，我不得不多次追加到 DataFrame，但不知道追加之前的值。我写了一个类似数据结构的轻量级 DataFrame，它只是底层的 blists()。我用它来累积所有数据，然后当它完成时 t运行sform 输出到 Pandas DataFrame。这是我项目的 link，全部开源，希望对其他人有所帮助：

https://pypi.python.org/pypi/raccoon

Answer 2

我还在循环中使用了数据帧的 append 函数，我很困惑它有多慢运行。

根据本页上的正确答案，为遭受苦难的人提供了一个有用的示例。

Python版本：3

Pandas版本：0.20.3

# the dictionary to pass to pandas dataframe
d = {}

# a counter to use to add entries to "dict"
i = 0 

# Example data to loop and append to a dataframe
data = [{"foo": "foo_val_1", "bar": "bar_val_1"}, 
       {"foo": "foo_val_2", "bar": "bar_val_2"}]

# the loop
for entry in data:

    # add a dictionary entry to the final dictionary
    d[i] = {"col_1_title": entry['foo'], "col_2_title": entry['bar']}
    
    # increment the counter
    i = i + 1

# create the dataframe using 'from_dict'
# important to set the 'orient' parameter to "index" to make the keys as rows
df = DataFrame.from_dict(d, "index")

“from_dict”函数：https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.from_dict.html

Answer 3

将行附加到列表比添加到 DataFrame 更有效。因此你会想要

将行追加到列表中。
然后转换成DataFrame和
根据需要设置索引。

Answer 4

我认为最好的方法是，如果您知道要接收的数据，请事先分配。

import numpy as np
import pandas as pd

random_matrix = np.random.randn(100, 100)
insert_df = pd.DataFrame(random_matrix)

df = pd.DataFrame(columns=range(100), index=range(200))
df.loc[range(100), df.columns] = random_matrix
df.loc[range(100, 200), df.columns] = random_matrix

这是我认为最合理的模式。 append 如果你有一个非常小的数据框，但它不能缩放。

In [1]: import numpy as np; import pandas as pd

In [2]: random_matrix = np.random.randn(100, 100)
   ...: insert_df = pd.DataFrame(random_matrix)
   ...: df = pd.DataFrame(np.random.randn(100, 100))

In [2]: %timeit df.append(insert_df)
272 µs ± 2.36 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [3]: %timeit df.loc[range(100), df.columns] = random_matrix
493 µs ± 4.25 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [4]: %timeit df.loc[range(100), df.columns] = insert_df
821 µs ± 8.68 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

当我们运行使用 100,000 行的数据帧时，我们会看到更加引人注目的结果。

In [1]: df = pd.DataFrame(np.random.randn(100_000, 100))

In [2]: %timeit df.append(insert_df)
17.9 ms ± 253 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

In [3]: %timeit df.loc[range(100), df.columns] = random_matrix
465 µs ± 13.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [4]: %timeit df.loc[range(99_900, 100_000), df.columns] = random_matrix
465 µs ± 5.75 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

In [5]: %timeit df.loc[range(99_900, 100_000), df.columns] = insert_df
1.02 ms ± 3.42 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

所以我们可以看到追加比使用数据帧插入慢 17 倍，比使用 numpy 数组插入慢 35 倍。

Answer 5

另一种方法是将其制成列表，然后使用pd.concat

import pandas as pd 

df = pd.DataFrame({'num_legs': [2, 4, 8, 0],

                   'num_wings': [2, 0, 0, 0],

                   'num_specimen_seen': [10, 2, 1, 8]},

                  index=['falcon', 'dog', 'spider', 'fish'])

def append(df):
    df_out = df.copy()
    for i in range(1000):
        df_out = df_out.append(df)
    return df_out

def concat(df):
    df_list = []
    for i in range(1001):
        df_list.append(df)

    return pd.concat(df_list)


# some testing
df2 = concat(df)
df3 = append(df)

pd.testing.assert_frame_equal(df2,df3)

%timeit concat(df):

每个循环 20.2 ms ± 794 µs（7 次运行的平均值 ± 标准偏差，每次 100 次循环）

%timeit append(df)

每个循环 275 毫秒 ± 2.54 毫秒（7 次运行的平均值 ± 标准偏差，每次 1 个循环）

现在推荐使用 pandas 中的行连接方式：

Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once. link

Answer 6

在我的例子中，我从不同的文件中加载了大量具有相同列的数据框，并希望附加它们以创建一个大数据框。

我的解决方案是首先将所有数据帧加载到一个列表中，然后使用

all_dfs = []
for i in all_files:
  all_dfs.append(/* load df from file */)

master_df = pd.concat(all_dfs, ignore_index=True)

提高 Pandas DataFrame 上的行追加性能

Improve Row Append Performance On Pandas DataFrames

python

numpy

python-2.7

pandas