为什么 pandas.to_datetime 对于非标准时间格式（例如“2014/12/31”）很慢

Question

我有一个这种格式的 .csv 文件

timestmp, p
2014/12/31 00:31:01:9200, 0.7
2014/12/31 00:31:12:1700, 1.9
...

并且当通过 pd.read_csv 读取并使用 pd.to_datetime 将时间 str 转换为 datetime 时，性能会急剧下降。这是一个最小的例子。

import re
import pandas as pd

d = '2014-12-12 01:02:03.0030'
c = re.sub('-', '/', d)

%timeit pd.to_datetime(d)
%timeit pd.to_datetime(c)
%timeit pd.to_datetime(c, format="%Y/%m/%d %H:%M:%S.%f")

表演是：

10000 loops, best of 3: 62.4 µs per loop
10000 loops, best of 3: 181 µs per loop
10000 loops, best of 3: 82.9 µs per loop

那么，如何提高从 csv 文件读取日期时 pd.to_datetime 的性能？

Answer 1

这是因为 pandas 回退到 dateutil.parser.parse 来解析字符串，当它具有非默认格式或没有提供 format 字符串时（这更加灵活，但也更慢）。

如上所示，您可以通过向 to_datetime 提供 format 字符串来提高性能。或者另一种选择是使用 infer_datetime_format=True

显然，infer_datetime_format 无法推断何时有微秒。没有这些的例子，你可以看到一个很大的加速：

In [28]: d = '2014-12-24 01:02:03'

In [29]: c = re.sub('-', '/', d)

In [30]: s_c = pd.Series([c]*10000)

In [31]: %timeit pd.to_datetime(s_c)
1 loops, best of 3: 1.14 s per loop

In [32]: %timeit pd.to_datetime(s_c, infer_datetime_format=True)
10 loops, best of 3: 105 ms per loop

In [33]: %timeit pd.to_datetime(s_c, format="%Y/%m/%d %H:%M:%S")
10 loops, best of 3: 99.5 ms per loop

Answer 2

我常常无法提前指定标准的日期格式，因为我根本不知道每个客户将如何选择提交它。日期格式不可预测且经常丢失。

在这些情况下，我发现将自己的包装器编写到 dateutil.parser.parse 比使用 pd.to_datetime 更有效：

import pandas as pd
from dateutil.parser import parse
import numpy as np

def parseDateStr(s):
    if s != '':
        try:
            return np.datetime64(parse(s))
        except ValueError:
            return np.datetime64('NaT')
    else: return np.datetime64('NaT')             

# Example data:
someSeries=pd.Series(  ['NotADate','','1-APR-16']*10000 )

# Compare times:
%timeit pd.to_datetime(someSeries, errors='coerce') #1 loop, best of 3: 1.78 s per loop
%timeit someSeries.apply(parseDateStr)              #1 loop, best of 3: 904 ms per loop

# The approaches return identical results:
someSeries.apply(parseDateStr).equals(pd.to_datetime(someSeries, errors='coerce')) # True

在这种情况下，运行时间减少了一半，但是 YMMV。

Answer 3

这个问题已经得到了充分的回答，但是我想补充一些我正在运行优化我自己的代码的测试结果。

我从 API 中获取此格式："Wed Feb 08 17:58:56 +0000 2017"。

使用默认 pd.to_datetime(SERIES) 和隐式转换，处理大约 2000 万行需要一个多小时（取决于我有多少空闲内存）。

也就是说，我测试了三种不同的转换：

# explicit conversion of essential information only -- parse dt str: concat
def format_datetime_1(dt_series):

    def get_split_date(strdt):
        split_date = strdt.split()
        str_date = split_date[1] + ' ' + split_date[2] + ' ' + split_date[5] + ' ' + split_date[3]
        return str_date

    dt_series = pd.to_datetime(dt_series.apply(lambda x: get_split_date(x)), format = '%b %d %Y %H:%M:%S')

    return dt_series

# explicit conversion of what datetime considers "essential date representation" -- parse dt str: del then join
def format_datetime_2(dt_series):

    def get_split_date(strdt):
        split_date = strdt.split()
        del split_date[4]
        str_date = ' '.join(str(s) for s in split_date)
        return str_date

    dt_series = pd.to_datetime(dt_series.apply(lambda x: get_split_date(x)), format = '%c')

    return dt_series

# explicit conversion of what datetime considers "essential date representation" -- parse dt str: concat
def format_datetime_3(dt_series):

    def get_split_date(strdt):
        split_date = strdt.split()
        str_date = split_date[0] + ' ' + split_date[1] + ' ' + split_date[2] + ' ' + split_date[3] + ' ' + split_date[5]
        return str_date

    dt_series = pd.to_datetime(dt_series.apply(lambda x: get_split_date(x)), format = '%c')

    return dt_series

# implicit conversion
def format_datetime_baseline(dt_series):

    return pd.to_datetime(dt_series)

这是结果：

# sample of 250k rows
dt_series_sample = df['created_at'][:250000]

%timeit format_datetime_1(dt_series_sample)        # best of 3: 1.56 s per loop
%timeit format_datetime_2(dt_series_sample)        # best of 3: 2.09 s per loop
%timeit format_datetime_3(dt_series_sample)        # best of 3: 1.72 s per loop
%timeit format_datetime_baseline(dt_series_sample) # best of 3: 1min 9s per loop

第一次测试结果令人印象深刻运行时间减少了 97.7%！

有点令人惊讶，看起来甚至 "appropriate representation" 也需要更长的时间，可能是因为它是半隐式的。

结论：你越露骨，它就会越快运行。

为什么 pandas.to_datetime 对于非标准时间格式（例如“2014/12/31”）很慢

Why is pandas.to_datetime slow for non standard time format such as '2014/12/31'

python

csv

pandas

python-datetime

string-to-datetime