性能提升#
在本教程的这一部分中,我们将研究如何使用 Cython、Numba 和 pandas.eval()
加速对 pandas DataFrame
进行操作的某些函数。通常,使用 Cython 和 Numba 可以比使用 pandas.eval()
提供更大的加速,但需要更多代码。
注意
除了遵循本教程中的步骤外,有兴趣提高性能的用户强烈建议安装 pandas 的推荐依赖项。这些依赖项通常不会默认安装,但如果存在,将提供速度提升。
Cython(为 pandas 编写 C 扩展)#
对于许多用例,用纯 Python 和 NumPy 编写 pandas 就足够了。然而,在一些计算量大的应用中,可以通过将工作卸载到 cython 来实现相当大的提速。
本教程假设您已尽可能地在 Python 中重构,例如尝试删除 for 循环并利用 NumPy 向量化。始终值得先在 Python 中进行优化。
本教程将逐步介绍一个“典型”的 cython 化慢速计算过程。我们使用 Cython 文档中的示例,但在 pandas 的上下文中。我们最终的 cython 化解决方案比纯 Python 解决方案快大约 100 倍。
纯 Python#
我们有一个 DataFrame
,我们希望对其逐行应用函数。
In [1]: df = pd.DataFrame(
...: {
...: "a": np.random.randn(1000),
...: "b": np.random.randn(1000),
...: "N": np.random.randint(100, 1000, (1000)),
...: "x": "x",
...: }
...: )
...:
In [2]: df
Out[2]:
a b N x
0 0.469112 -0.218470 585 x
1 -0.282863 -0.061645 841 x
2 -1.509059 -0.723780 251 x
3 -1.135632 0.551225 972 x
4 1.212112 -0.497767 181 x
.. ... ... ... ..
995 -1.512743 0.874737 374 x
996 0.933753 1.120790 246 x
997 -0.308013 0.198768 157 x
998 -0.079915 1.757555 977 x
999 -1.010589 -1.115680 770 x
[1000 rows x 4 columns]
以下是纯 Python 中的函数
In [3]: def f(x):
...: return x * (x - 1)
...:
In [4]: def integrate_f(a, b, N):
...: s = 0
...: dx = (b - a) / N
...: for i in range(N):
...: s += f(a + i * dx)
...: return s * dx
...:
我们通过使用 DataFrame.apply()
(逐行)来实现我们的结果
In [5]: %timeit df.apply(lambda x: integrate_f(x["a"], x["b"], x["N"]), axis=1)
91 ms +- 432 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
让我们看看在使用 prun ipython 魔术函数 进行此操作期间,时间花在了哪里
# most time consuming 4 calls
In [6]: %prun -l 4 df.apply(lambda x: integrate_f(x["a"], x["b"], x["N"]), axis=1) # noqa E999
605968 function calls (605950 primitive calls) in 0.170 seconds
Ordered by: internal time
List reduced from 166 to 4 due to restriction <4>
ncalls tottime percall cumtime percall filename:lineno(function)
1000 0.100 0.000 0.151 0.000 <ipython-input-4-c2a74e076cf0>:1(integrate_f)
552423 0.051 0.000 0.051 0.000 <ipython-input-3-c138bdd570e3>:1(f)
3000 0.003 0.000 0.013 0.000 series.py:1086(__getitem__)
3000 0.002 0.000 0.006 0.000 series.py:1211(_get_value)
绝大多数时间都花在 integrate_f
或 f
函数内部,因此我们将集中精力对这两个函数进行 Cython 化。
纯 Cython#
首先,我们需要将 Cython 魔法函数导入到 IPython 中。
In [7]: %load_ext Cython
现在,让我们简单地将我们的函数复制到 Cython 中。
In [8]: %%cython
...: def f_plain(x):
...: return x * (x - 1)
...: def integrate_f_plain(a, b, N):
...: s = 0
...: dx = (b - a) / N
...: for i in range(N):
...: s += f_plain(a + i * dx)
...: return s * dx
...:
In [9]: %timeit df.apply(lambda x: integrate_f_plain(x["a"], x["b"], x["N"]), axis=1)
47.3 ms +- 70.2 us per loop (mean +- std. dev. of 7 runs, 10 loops each)
与纯 Python 方法相比,这将性能提高了三分之一。
声明 C 类型#
我们可以对函数变量和返回值类型进行注释,并使用 cdef
和 cpdef
来提高性能。
In [10]: %%cython
....: cdef double f_typed(double x) except? -2:
....: return x * (x - 1)
....: cpdef double integrate_f_typed(double a, double b, int N):
....: cdef int i
....: cdef double s, dx
....: s = 0
....: dx = (b - a) / N
....: for i in range(N):
....: s += f_typed(a + i * dx)
....: return s * dx
....:
In [11]: %timeit df.apply(lambda x: integrate_f_typed(x["a"], x["b"], x["N"]), axis=1)
7.95 ms +- 8.93 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
使用 C 类型对函数进行注释,与原始 Python 实现相比,性能提高了十倍以上。
使用 ndarray#
在重新分析时,时间花在了从每一行创建 Series
以及从索引和序列中调用 __getitem__
(每行三次)上。这些 Python 函数调用很昂贵,可以通过传递一个 np.ndarray
来改进。
In [12]: %prun -l 4 df.apply(lambda x: integrate_f_typed(x["a"], x["b"], x["N"]), axis=1)
52545 function calls (52527 primitive calls) in 0.019 seconds
Ordered by: internal time
List reduced from 164 to 4 due to restriction <4>
ncalls tottime percall cumtime percall filename:lineno(function)
3000 0.003 0.000 0.012 0.000 series.py:1086(__getitem__)
3000 0.002 0.000 0.006 0.000 series.py:1211(_get_value)
3000 0.002 0.000 0.002 0.000 base.py:3777(get_loc)
3000 0.002 0.000 0.002 0.000 indexing.py:2765(check_dict_or_set_indexers)
In [13]: %%cython
....: cimport numpy as np
....: import numpy as np
....: cdef double f_typed(double x) except? -2:
....: return x * (x - 1)
....: cpdef double integrate_f_typed(double a, double b, int N):
....: cdef int i
....: cdef double s, dx
....: s = 0
....: dx = (b - a) / N
....: for i in range(N):
....: s += f_typed(a + i * dx)
....: return s * dx
....: cpdef np.ndarray[double] apply_integrate_f(np.ndarray col_a, np.ndarray col_b,
....: np.ndarray col_N):
....: assert (col_a.dtype == np.float64
....: and col_b.dtype == np.float64 and col_N.dtype == np.dtype(int))
....: cdef Py_ssize_t i, n = len(col_N)
....: assert (len(col_a) == len(col_b) == n)
....: cdef np.ndarray[double] res = np.empty(n)
....: for i in range(len(col_a)):
....: res[i] = integrate_f_typed(col_a[i], col_b[i], col_N[i])
....: return res
....:
Content of stderr:
In file included from /home/runner/micromamba/envs/test/lib/python3.10/site-packages/numpy/core/include/numpy/ndarraytypes.h:1929,
from /home/runner/micromamba/envs/test/lib/python3.10/site-packages/numpy/core/include/numpy/ndarrayobject.h:12,
from /home/runner/micromamba/envs/test/lib/python3.10/site-packages/numpy/core/include/numpy/arrayobject.h:5,
from /home/runner/.cache/ipython/cython/_cython_magic_30a836062691f1794ff3b6c6d990f6ad5dccd13e.c:1215:
/home/runner/micromamba/envs/test/lib/python3.10/site-packages/numpy/core/include/numpy/npy_1_7_deprecated_api.h:17:2: warning: #warning "Using deprecated NumPy API, disable it with " "#define NPY_NO_DEPRECATED_API NPY_1_7_API_VERSION" [-Wcpp]
17 | #warning "Using deprecated NumPy API, disable it with " \
| ^~~~~~~
此实现创建了一个零数组,并将 integrate_f_typed
应用于每一行后的结果插入其中。在 Cython 中,遍历 ndarray
比遍历 Series
对象更快。
由于 apply_integrate_f
被类型化为接受 np.ndarray
,因此需要调用 Series.to_numpy()
来利用此函数。
In [14]: %timeit apply_integrate_f(df["a"].to_numpy(), df["b"].to_numpy(), df["N"].to_numpy())
831 us +- 4.54 us per loop (mean +- std. dev. of 7 runs, 1,000 loops each)
与之前的实现相比,性能提高了近十倍。
禁用编译器指令#
现在,绝大多数时间都花在了 apply_integrate_f
上。禁用 Cython 的 boundscheck
和 wraparound
检查可以提高性能。
In [15]: %prun -l 4 apply_integrate_f(df["a"].to_numpy(), df["b"].to_numpy(), df["N"].to_numpy())
78 function calls in 0.001 seconds
Ordered by: internal time
List reduced from 21 to 4 due to restriction <4>
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.001 0.001 0.001 0.001 <string>:1(<module>)
1 0.000 0.000 0.001 0.001 {built-in method builtins.exec}
3 0.000 0.000 0.000 0.000 frame.py:4050(__getitem__)
3 0.000 0.000 0.000 0.000 base.py:541(to_numpy)
In [16]: %%cython
....: cimport cython
....: cimport numpy as np
....: import numpy as np
....: cdef np.float64_t f_typed(np.float64_t x) except? -2:
....: return x * (x - 1)
....: cpdef np.float64_t integrate_f_typed(np.float64_t a, np.float64_t b, np.int64_t N):
....: cdef np.int64_t i
....: cdef np.float64_t s = 0.0, dx
....: dx = (b - a) / N
....: for i in range(N):
....: s += f_typed(a + i * dx)
....: return s * dx
....: @cython.boundscheck(False)
....: @cython.wraparound(False)
....: cpdef np.ndarray[np.float64_t] apply_integrate_f_wrap(
....: np.ndarray[np.float64_t] col_a,
....: np.ndarray[np.float64_t] col_b,
....: np.ndarray[np.int64_t] col_N
....: ):
....: cdef np.int64_t i, n = len(col_N)
....: assert len(col_a) == len(col_b) == n
....: cdef np.ndarray[np.float64_t] res = np.empty(n, dtype=np.float64)
....: for i in range(n):
....: res[i] = integrate_f_typed(col_a[i], col_b[i], col_N[i])
....: return res
....:
Content of stderr:
In file included from /home/runner/micromamba/envs/test/lib/python3.10/site-packages/numpy/core/include/numpy/ndarraytypes.h:1929,
from /home/runner/micromamba/envs/test/lib/python3.10/site-packages/numpy/core/include/numpy/ndarrayobject.h:12,
from /home/runner/micromamba/envs/test/lib/python3.10/site-packages/numpy/core/include/numpy/arrayobject.h:5,
from /home/runner/.cache/ipython/cython/_cython_magic_1acd0c4ec62f802e66ab641a1e7f5f3138567e90.c:1216:
/home/runner/micromamba/envs/test/lib/python3.10/site-packages/numpy/core/include/numpy/npy_1_7_deprecated_api.h:17:2: warning: #warning "Using deprecated NumPy API, disable it with " "#define NPY_NO_DEPRECATED_API NPY_1_7_API_VERSION" [-Wcpp]
17 | #warning "Using deprecated NumPy API, disable it with " \
| ^~~~~~~
In [17]: %timeit apply_integrate_f_wrap(df["a"].to_numpy(), df["b"].to_numpy(), df["N"].to_numpy())
620 us +- 3.17 us per loop (mean +- std. dev. of 7 runs, 1,000 loops each)
然而,循环索引器 i
访问数组中无效位置会导致段错误,因为内存访问没有检查。有关 boundscheck
和 wraparound
的更多信息,请参阅 Cython 文档中的 编译器指令。
Numba(JIT 编译)#
除了静态编译 Cython 代码之外,还可以使用 Numba 的动态即时(JIT)编译器。
Numba 允许您编写纯 Python 函数,这些函数可以通过 @jit
装饰器进行 JIT 编译为原生机器指令,其性能类似于 C、C++ 和 Fortran。
Numba 通过在导入时、运行时或静态地(使用包含的 pycc 工具)使用 LLVM 编译器基础设施生成优化的机器代码。Numba 支持将 Python 编译为在 CPU 或 GPU 硬件上运行,并且旨在与 Python 科学软件栈集成。
注意
@jit
编译会给函数的运行时增加开销,因此在使用小型数据集时可能无法实现性能优势。请考虑 缓存 您的函数以避免每次运行函数时都进行编译开销。
Numba 可以通过两种方式与 pandas 一起使用
在选定的 pandas 方法中指定
engine="numba"
关键字定义您自己的用
@jit
装饰的 Python 函数,并将Series
或DataFrame
的底层 NumPy 数组(使用Series.to_numpy()
)传递到函数中
pandas Numba 引擎#
如果安装了 Numba,可以在某些 pandas 方法中指定 engine="numba"
,以使用 Numba 执行该方法。支持 engine="numba"
的方法还将具有一个 engine_kwargs
关键字,它接受一个字典,允许用户指定 "nogil"
、"nopython"
和 "parallel"
键,并使用布尔值传递到 @jit
装饰器中。如果未指定 engine_kwargs
,则默认值为 {"nogil": False, "nopython": True, "parallel": False}
,除非另有说明。
注意
在性能方面,**第一次使用 Numba 引擎运行函数时会很慢**,因为 Numba 会有一些函数编译开销。但是,JIT 编译的函数会被缓存,后续调用会很快。通常,Numba 引擎在处理大量数据点(例如 100 万个以上)时性能很高。
In [1]: data = pd.Series(range(1_000_000)) # noqa: E225
In [2]: roll = data.rolling(10)
In [3]: def f(x):
...: return np.sum(x) + 5
# Run the first time, compilation time will affect performance
In [4]: %timeit -r 1 -n 1 roll.apply(f, engine='numba', raw=True)
1.23 s ± 0 ns per loop (mean ± std. dev. of 1 run, 1 loop each)
# Function is cached and performance will improve
In [5]: %timeit roll.apply(f, engine='numba', raw=True)
188 ms ± 1.93 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
In [6]: %timeit roll.apply(f, engine='cython', raw=True)
3.92 s ± 59 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
如果您的计算硬件包含多个 CPU,可以通过将 parallel
设置为 True
来利用多个 CPU,从而实现最大的性能提升。在内部,pandas 利用 numba 对 DataFrame
的列进行并行计算;因此,这种性能优势仅对具有大量列的 DataFrame
有益。
In [1]: import numba
In [2]: numba.set_num_threads(1)
In [3]: df = pd.DataFrame(np.random.randn(10_000, 100))
In [4]: roll = df.rolling(100)
In [5]: %timeit roll.mean(engine="numba", engine_kwargs={"parallel": True})
347 ms ± 26 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
In [6]: numba.set_num_threads(2)
In [7]: %timeit roll.mean(engine="numba", engine_kwargs={"parallel": True})
201 ms ± 2.97 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
自定义函数示例#
通过使用 Series.to_numpy()
传递其 NumPy 数组表示,可以使用装饰有 @jit
的自定义 Python 函数与 pandas 对象一起使用。
import numba
@numba.jit
def f_plain(x):
return x * (x - 1)
@numba.jit
def integrate_f_numba(a, b, N):
s = 0
dx = (b - a) / N
for i in range(N):
s += f_plain(a + i * dx)
return s * dx
@numba.jit
def apply_integrate_f_numba(col_a, col_b, col_N):
n = len(col_N)
result = np.empty(n, dtype="float64")
assert len(col_a) == len(col_b) == n
for i in range(n):
result[i] = integrate_f_numba(col_a[i], col_b[i], col_N[i])
return result
def compute_numba(df):
result = apply_integrate_f_numba(
df["a"].to_numpy(), df["b"].to_numpy(), df["N"].to_numpy()
)
return pd.Series(result, index=df.index, name="result")
In [4]: %timeit compute_numba(df)
1000 loops, best of 3: 798 us per loop
在这个例子中,使用 Numba 比 Cython 更快。
Numba 还可以用来编写向量化函数,这些函数不需要用户显式地循环遍历向量的观测值;向量化函数会自动应用于每一行。考虑以下将每个观测值加倍的示例
import numba
def double_every_value_nonumba(x):
return x * 2
@numba.vectorize
def double_every_value_withnumba(x): # noqa E501
return x * 2
# Custom function without numba
In [5]: %timeit df["col1_doubled"] = df["a"].apply(double_every_value_nonumba) # noqa E501
1000 loops, best of 3: 797 us per loop
# Standard implementation (faster than a custom function)
In [6]: %timeit df["col1_doubled"] = df["a"] * 2
1000 loops, best of 3: 233 us per loop
# Custom function with numba
In [7]: %timeit df["col1_doubled"] = double_every_value_withnumba(df["a"].to_numpy())
1000 loops, best of 3: 145 us per loop
注意事项#
Numba 最擅长加速对 NumPy 数组应用数值函数的函数。如果您尝试 @jit
一个包含不支持的 Python 或 NumPy 代码的函数,编译将恢复 对象模式,这很可能不会加速您的函数。如果您希望 Numba 在无法以加速代码的方式编译函数时抛出错误,请将参数 nopython=True
传递给 Numba(例如 @jit(nopython=True)
)。有关 Numba 模式故障排除的更多信息,请参阅 Numba 故障排除页面。
使用 parallel=True
(例如 @jit(parallel=True)
)可能会导致 SIGABRT
,如果线程层导致不安全的行为。您首先可以 指定一个安全的线程层,然后再运行带有 parallel=True
的 JIT 函数。
通常,如果您在使用 Numba 时遇到段错误 (SIGSEGV
),请将问题报告给 Numba 问题跟踪器。
通过 eval()
# 的表达式求值
顶级函数 pandas.eval()
实现对 Series
和 DataFrame
的高效表达式求值。表达式求值允许将操作表示为字符串,并且可以通过一次性评估所有算术和布尔表达式来为大型 DataFrame
提供潜在的性能提升。
注意
对于简单的表达式或涉及小型 DataFrames 的表达式,您不应该使用 eval()
。事实上,对于较小的表达式或对象,eval()
比普通 Python 慢几个数量级。一个好的经验法则是,只有当您拥有超过 10,000 行的 DataFrame
时才使用 eval()
。
支持的语法#
这些操作受 pandas.eval()
支持
除了左移 (
<<
) 和右移 (>>
) 运算符之外的算术运算,例如:df + 2 * pi / s ** 4 % 42 - the_golden_ratio
比较运算,包括链式比较,例如:
2 < df < df2
布尔运算,例如:
df < df2 and df3 < df4 or not df_bool
list
和tuple
字面量,例如:[1, 2]
或(1, 2)
属性访问,例如:
df.a
下标表达式,例如:
df[0]
简单变量评估,例如:
pd.eval("df")
(这不太有用)数学函数:
sin
,cos
,exp
,log
,expm1
,log1p
,sqrt
,sinh
,cosh
,tanh
,arcsin
,arccos
,arctan
,arccosh
,arcsinh
,arctanh
,abs
,arctan2
和log10
。
以下 Python 语法**不允许**
表达式
除了数学函数之外的函数调用。
is
/is not
运算if
表达式lambda
表达式list
/set
/dict
推导式字面量
dict
和set
表达式yield
表达式生成器表达式
仅由标量值组成的布尔表达式
语句
局部变量#
您必须显式引用要在表达式中使用的任何局部变量,方法是在名称前面加上 @
字符。此机制对于 DataFrame.query()
和 DataFrame.eval()
都是一样的。例如,
In [18]: df = pd.DataFrame(np.random.randn(5, 2), columns=list("ab"))
In [19]: newcol = np.random.randn(len(df))
In [20]: df.eval("b + @newcol")
Out[20]:
0 -0.206122
1 -1.029587
2 0.519726
3 -2.052589
4 1.453210
dtype: float64
In [21]: df.query("b < @newcol")
Out[21]:
a b
1 0.160268 -0.848896
3 0.333758 -1.180355
4 0.572182 0.439895
如果您没有在局部变量前面加上 @
,pandas 将引发异常,告诉您变量未定义。
在使用 DataFrame.eval()
和 DataFrame.query()
时,这允许您在表达式中拥有一个局部变量和一个与之同名的 DataFrame
列。
In [22]: a = np.random.randn()
In [23]: df.query("@a < a")
Out[23]:
a b
0 0.473349 0.891236
1 0.160268 -0.848896
2 0.803311 1.662031
3 0.333758 -1.180355
4 0.572182 0.439895
In [24]: df.loc[a < df["a"]] # same as the previous expression
Out[24]:
a b
0 0.473349 0.891236
1 0.160268 -0.848896
2 0.803311 1.662031
3 0.333758 -1.180355
4 0.572182 0.439895
警告
如果您无法使用 @
前缀(因为它在该上下文中未定义),pandas.eval()
将引发异常。
In [25]: a, b = 1, 2
In [26]: pd.eval("@a + b")
Traceback (most recent call last):
File ~/micromamba/envs/test/lib/python3.10/site-packages/IPython/core/interactiveshell.py:3577 in run_code
exec(code_obj, self.user_global_ns, self.user_ns)
Cell In[26], line 1
pd.eval("@a + b")
File ~/work/pandas/pandas/pandas/core/computation/eval.py:325 in eval
_check_for_locals(expr, level, parser)
File ~/work/pandas/pandas/pandas/core/computation/eval.py:167 in _check_for_locals
raise SyntaxError(msg)
File <string>
SyntaxError: The '@' prefix is not allowed in top-level eval calls.
please refer to your variables by name without the '@' prefix.
在这种情况下,您应该像在标准 Python 中一样引用变量。
In [27]: pd.eval("a + b")
Out[27]: 3
pandas.eval()
解析器#
有两种不同的表达式语法解析器。
默认的 'pandas'
解析器允许更直观的语法来表达类似查询的操作(比较、连接和析取)。特别是,&
和 |
运算符的优先级与相应的布尔运算符 and
和 or
的优先级相同。
例如,上面的连接可以在没有括号的情况下编写。或者,您可以使用 'python'
解析器来强制执行严格的 Python 语义。
In [28]: nrows, ncols = 20000, 100
In [29]: df1, df2, df3, df4 = [pd.DataFrame(np.random.randn(nrows, ncols)) for _ in range(4)]
In [30]: expr = "(df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0)"
In [31]: x = pd.eval(expr, parser="python")
In [32]: expr_no_parens = "df1 > 0 & df2 > 0 & df3 > 0 & df4 > 0"
In [33]: y = pd.eval(expr_no_parens, parser="pandas")
In [34]: np.all(x == y)
Out[34]: True
相同的表达式可以使用单词 and
以及“与”运算符连接在一起
In [35]: expr = "(df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0)"
In [36]: x = pd.eval(expr, parser="python")
In [37]: expr_with_ands = "df1 > 0 and df2 > 0 and df3 > 0 and df4 > 0"
In [38]: y = pd.eval(expr_with_ands, parser="pandas")
In [39]: np.all(x == y)
Out[39]: True
pandas.eval()
引擎#
有两种不同的表达式引擎。
'numexpr'
引擎是性能更高的引擎,与标准 Python 语法相比,它可以为大型 DataFrame
带来性能提升。此引擎需要安装可选的依赖项 numexpr
。
除了用于测试其他评估引擎,'python'
引擎通常不有用。使用 eval()
和 engine='python'
不会带来任何性能优势,甚至可能导致性能下降。
In [40]: %timeit df1 + df2 + df3 + df4
6.88 ms +- 49.8 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
In [41]: %timeit pd.eval("df1 + df2 + df3 + df4", engine="python")
7.52 ms +- 23.8 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
DataFrame.eval()
方法#
除了顶层的 pandas.eval()
函数,您还可以评估 DataFrame
的“上下文”中的表达式。
In [42]: df = pd.DataFrame(np.random.randn(5, 2), columns=["a", "b"])
In [43]: df.eval("a + b")
Out[43]:
0 -0.161099
1 0.805452
2 0.747447
3 1.189042
4 -2.057490
dtype: float64
任何有效的 pandas.eval()
表达式也是有效的 DataFrame.eval()
表达式,其额外优势在于您无需在要评估的列名之前添加 DataFrame
的名称。
此外,您可以在表达式中执行列的赋值。这允许进行公式化评估。赋值目标可以是新的列名或现有的列名,并且必须是有效的 Python 标识符。
In [44]: df = pd.DataFrame(dict(a=range(5), b=range(5, 10)))
In [45]: df = df.eval("c = a + b")
In [46]: df = df.eval("d = a + b + c")
In [47]: df = df.eval("a = 1")
In [48]: df
Out[48]:
a b c d
0 1 5 5 10
1 1 6 7 14
2 1 7 9 18
3 1 8 11 22
4 1 9 13 26
返回包含新列或修改后的列的 DataFrame
的副本,原始框架保持不变。
In [49]: df
Out[49]:
a b c d
0 1 5 5 10
1 1 6 7 14
2 1 7 9 18
3 1 8 11 22
4 1 9 13 26
In [50]: df.eval("e = a - c")
Out[50]:
a b c d e
0 1 5 5 10 -4
1 1 6 7 14 -6
2 1 7 9 18 -8
3 1 8 11 22 -10
4 1 9 13 26 -12
In [51]: df
Out[51]:
a b c d
0 1 5 5 10
1 1 6 7 14
2 1 7 9 18
3 1 8 11 22
4 1 9 13 26
可以使用多行字符串执行多个列赋值。
In [52]: df.eval(
....: """
....: c = a + b
....: d = a + b + c
....: a = 1""",
....: )
....:
Out[52]:
a b c d
0 1 5 6 12
1 1 6 7 14
2 1 7 8 16
3 1 8 9 18
4 1 9 10 20
标准 Python 中的等效项是
In [53]: df = pd.DataFrame(dict(a=range(5), b=range(5, 10)))
In [54]: df["c"] = df["a"] + df["b"]
In [55]: df["d"] = df["a"] + df["b"] + df["c"]
In [56]: df["a"] = 1
In [57]: df
Out[57]:
a b c d
0 1 5 5 10
1 1 6 7 14
2 1 7 9 18
3 1 8 11 22
4 1 9 13 26
eval()
性能比较#
pandas.eval()
在包含大型数组的表达式中效果很好。
In [58]: nrows, ncols = 20000, 100
In [59]: df1, df2, df3, df4 = [pd.DataFrame(np.random.randn(nrows, ncols)) for _ in range(4)]
DataFrame
算术运算
In [60]: %timeit df1 + df2 + df3 + df4
7.11 ms +- 195 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
In [61]: %timeit pd.eval("df1 + df2 + df3 + df4")
2.79 ms +- 16.6 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
DataFrame
比较
In [62]: %timeit (df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0)
6.01 ms +- 56 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
In [63]: %timeit pd.eval("(df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0)")
9.31 ms +- 53.2 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
DataFrame
未对齐轴的算术运算。
In [64]: s = pd.Series(np.random.randn(50))
In [65]: %timeit df1 + df2 + df3 + df4 + s
12.5 ms +- 198 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
In [66]: %timeit pd.eval("df1 + df2 + df3 + df4 + s")
3.59 ms +- 38.7 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
注意
诸如
1 and 2 # would parse to 1 & 2, but should evaluate to 2
3 or 4 # would parse to 3 | 4, but should evaluate to 3
~1 # this is okay, but slower when using eval
之类的操作应在 Python 中执行。如果您尝试对类型不是 bool
或 np.bool_
的标量操作数执行任何布尔/按位运算,则会引发异常。
以下是一个图表,显示了 pandas.eval()
的运行时间与参与计算的框架大小的关系。这两条线是两个不同的引擎。
只有当您的 DataFrame
行数超过大约 100,000 行时,您才会看到使用 numexpr
引擎与 pandas.eval()
的性能优势。
此图表是使用一个 DataFrame
创建的,该 DataFrame
包含 3 列,每列都包含使用 numpy.random.randn()
生成的浮点值。
使用 numexpr
的表达式评估限制#
由于 NaT
,会导致对象类型或涉及日期时间操作的表达式必须在 Python 空间中进行评估,但表达式的部分仍然可以使用 numexpr
进行评估。例如
In [67]: df = pd.DataFrame(
....: {"strings": np.repeat(list("cba"), 3), "nums": np.repeat(range(3), 3)}
....: )
....:
In [68]: df
Out[68]:
strings nums
0 c 0
1 c 0
2 c 0
3 b 1
4 b 1
5 b 1
6 a 2
7 a 2
8 a 2
In [69]: df.query("strings == 'a' and nums == 1")
Out[69]:
Empty DataFrame
Columns: [strings, nums]
Index: []
比较的数字部分 (nums == 1
) 将由 numexpr
评估,而比较的对象部分 ("strings == 'a'
) 将由 Python 评估。