代码之家 › 专栏 › 技术社区 › Martin Thoma

为什么熊猫比我的慢?

pandas-groupby dataframe pandas python

Martin Thoma · 技术社区 · 7 年前

我有一个数据框

            ID  CAT    SCORE
0            0    0  8325804
1            0    1  1484405
...        ...  ...      ...
1999980  99999    0  4614037
1999981  99999    1  1818470

我将数据分组的位置 ID 想知道每个ID中得分最高的两个类别。我可以看到两种解决方案:

df2 = df.groupby('ID').apply(lambda g: g.nlargest(2, columns='SCORE'))

或者手动将其转换为元组列表,对元组进行排序,删除除两个之外的每个ID,然后转换回数据帧。第一个应该比第二个快得多,但我观察到手动解决方案要快得多。

为什么手动比熊猫解决方案更快?

MVCE

import numpy as np
import pandas as pd
import time


def create_df(n=10**5, categories=20):
    np.random.seed(0)
    df = pd.DataFrame({'ID': [id_ for id_ in range(n) for c in range(categories)],
                       'CAT': [c for id_ in range(n) for c in range(categories)],
                       'SCORE': np.random.randint(10**7, size=n * categories)})
    return df


def are_dfs_equal(df1, df2):
    columns = sorted(df1.columns)
    if len(df1.columns) != len(df2.columns):
        return False
    elif not all(el1 == el2 for el1, el2 in zip(columns, sorted(df2.columns))):
        return False
    df1_list = [tuple(x) for x in df1[columns].values]
    df1_list = sorted(df1_list, reverse=True)
    df2_list = [tuple(x) for x in df2[columns].values]
    df2_list = sorted(df2_list, reverse=True)
    is_same = df1_list == df2_list
    return is_same


def manual_nlargest(df, n=2):
    df_list = [tuple(x) for x in df[['ID', 'SCORE', 'CAT']].values]
    df_list = sorted(df_list, reverse=True)
    l = []
    current_id = None
    current_id_count = 0
    for el in df_list:
        if el[0] != current_id:
            current_id = el[0]
            current_id_count = 1
        else:
            current_id_count += 1
        if current_id_count <= n:
            l.append(el)
    df = pd.DataFrame(l, columns=['ID', 'SCORE', 'CAT'])
    return df

df = create_df()

t0 = time.time()
df2 = df.groupby('ID').apply(lambda g: g.nlargest(2, columns='SCORE'))
t1 = time.time()
print('nlargest solution: {:0.2f}s'.format(t1 - t0))

t0 = time.time()
df3 = manual_nlargest(df, n=2)
t1 = time.time()
print('manual nlargest solution: {:0.2f}s'.format(t1 - t0))
print('is_same: {}'.format(are_dfs_equal(df2, df3)))

给予

nlargest solution: 97.76s
manual nlargest solution: 4.62s
is_same: True

2 回复 | 直到 7 年前

Lamine 7 年前

我想你可以用这个:

df.sort_values(by=['SCORE'],ascending=False).groupby('ID').head(2)

这与在Pandas Groupby上使用Sort/Head功能的手动解决方案相同。

t0 = time.time()
df4 = df.sort_values(by=['SCORE'],ascending=False).groupby('ID').head(2)
t1 = time.time()
df4_list = [tuple(x) for x in df4[['ID', 'SCORE', 'CAT']].values]
df4_list = sorted(df4_list, reverse=True)
is_same = df3_list == df4_list
print('SORT/HEAD solution: {:0.2f}s'.format(t1 - t0))
print(is_same)

给予

SORT/HEAD solution: 0.08s
True

时计

77.9 ms Â± 7.91 ms per loop (mean Â± std. dev. of 7 runs, 10 loops each).

至于为什么 nlargest 是否比其他解决方案慢?,我想为每个组调用它会产生一个开销( %prun 在30.293秒内显示15764409个函数调用(15464352个基元调用)。

对于此解决方案(1533个函数调用(1513个基元调用),0.078秒)

Sander van den Oord 7 年前

这里有一个比你的手动解决方案更快的解决方案,除非我犯了一个错误;)我想nlargest()不是解决这个问题的最快方法,如果速度是你需要的,但它是更可读的解决方案。

t0 = time.time()
df4 = df.sort_values(by=['ID', 'SCORE'], ascending=[True, False])
df4['cumcount'] = df4.groupby('ID')['SCORE'].cumcount()
df4 = df4[df4['cumcount'] < 2]
t1 = time.time()
print('cumcount solution: {:0.2f}s'.format(t1 - t0))