Pandas字符串操作的各種方法及速度測試
引言
由于LLM的發(fā)展， 很多的數(shù)據(jù)集都是以DF的形式發(fā)布的，所以通過Pandas操作字符串的要求變得越來越高了，所以本文將對字符串操作方法進行基準測試，看看它們是如何影響pandas的性能的。因為一旦Pandas在處理數(shù)據(jù)時超過一定限制，它們的行為就會很奇怪。
我們用Faker創(chuàng)建了一個100,000行的測試數(shù)據(jù)。
測試方法
安裝：
!pip install faker
生成測試數(shù)據(jù)的方法很簡答：
import pandas as pd
import numpy as np
def gen_data(x):
from faker import Faker
fake = Faker()
outdata = {}
for i in range(0,x):
outdata[i] = fake.profile()
return pd.DataFrame(outdata).T
n= 100000
basedata = gen_data(n)然后把Google Colab將輸出存儲在Google drive中
from google.colab import drive
drive.mount('/content/drive')創(chuàng)建了非常簡單的函數(shù)來測試連接兩個字符串的各種方法。
def process(a,b):
return ''.join([a,b])
def process(a,b):
return a+b
def process(a,b):
return f"{a}"
def process(a,b):
return f"{a}"*100創(chuàng)建一個空DF，編寫一個函數(shù)將輸出%%timeit作為一行添加到數(shù)據(jù)框中
# add a row to the dataframe using %%timeit output def add_to_df(n, m, x, outputdf): outputdf.loc[len(outputdf.index)] = [m, n, x] # output frame outputdf = pd.DataFrame(columns=['method', 'n', 'timing']) outputdf
然后就是運行上面的每個函數(shù)并將數(shù)據(jù)導出到pandas的代碼。
# get a sample of data n = 10000 suffix = 'fstring_100x' data = basedata.copy().sample(n).reset_index()
記錄運行時間
%%timeit -r 7 -n 1 -o data['newcol'] = '' for row in range(len(data)): data.at[row ,'newcol'] = process(data.at[row, 'job'], data.at[row, 'company']) # 451 ms ± 34 ms per loop (mean ± std. dev. of 7 runs, 1 loop each) # <TimeitResult : 451 ms ± 34 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)>
完整的函數(shù)調用
m = "Iterating over the rows" add_to_df(n = n, m = m, x = vars(_), outputdf = outputdf)
試驗
上面是代碼，下面開始用上面的代碼進行試驗：
Iterrows (pandas原生函數(shù))每行相加
%%timeit -r 7 -n 1 -o data['newcol'] = '' for row, item in data.iterrows(): data.at[row ,'newcol'] = process(item['job'], item['company'])
Itertuples(由于不可變而更安全)每行相加
%%timeit -r 7 -n 1 -o data['newcol'] = '' for row, job, company in data[['job','company']].itertuples(): data.at[row ,'newcol'] = process(job, company)
使用pandas原生函數(shù)作為字符串相加
%%timeit -r 7 -n 1 -o data['newcol'] = data.job + data.company
使用原生函數(shù)pandas. series .add
%%timeit -r 7 -n 1 -o data['newcol'] = data.job.add(data.company)
使用dataframe.apply
%%timeit -r 7 -n 1 -o data['newcol'] = data.apply(lambda row: process(row['job'],row['company']), axis=1)
使用List Map
%%timeit -r 7 -n 1 -o data['newcol'] = list(map(process, data.job, data.company))
Pandas矢量化
%%timeit -r 7 -n 1 -o data['newcol'] = process(data.job, data.company)
numpy數(shù)組矢量化
%%timeit -r 7 -n 1 -o data['newcol'] = process(data.job.to_numpy(), data.company.to_numpy())
顯式在numpy數(shù)組上使用numpy向量化
%%timeit -r 7 -n 1 -o data['newcol'] = np.vectorize(process)(data.job.to_numpy(), data.company.to_numpy())
優(yōu)化后的列表推導式
%%timeit -r 7 -n 1 -o data['newcol'] = '' data['newcol'] =[process(i,j) for i,j in list(zip(data.job, data.company)) ]
最后是結果的輸出：
outputdf.to_csv(f"./drive/MyDrive/{n}_{suffix}.csv")結果
結果如下所示。我用了上面3種不同函數(shù)測試了結果。
原生的字符串加法C = a+b
從1000行擴展到100,000行所需的時間;
可視化對比：
所有矢量化方法都非?？欤襭andas標準的str.add對numpy數(shù)組也進行了矢量化。能夠看到Pandas的原生方法一般都是線性的。List-map似乎以N的平方根的速度增長
使用fstring: c = f " {a} "
使用fstring，結果很有趣，有的結果無法解釋。
時間
可視化
從時間上看，長度超過10,000的DF時，向量化是正確執(zhí)行的
下圖是第三個函數(shù)，就是*100，這更能說明問題，向量化操作的基本上時間沒有變化
總結
通過上面的測試，我們可以總結一下結果：
1、還是老生常談的問題，不要使用iterrows()， itertuples()，盡量不要使用DataFrame.apply()，因為幾個函數(shù)還是循環(huán)遍歷的。
2、矢量化操作在字符串操作中也是可以使用的，但是為了安全起見，使用Numpy數(shù)組。
3、列表推導式就像它的名字一樣，它還是一個list
4、還有一些奇怪的無法解釋的問題，但是大部分的情況都是可以解釋的
以上就是Pandas字符串操作的各種方法及速度測試的詳細內(nèi)容，更多關于Pandas字符串操作的資料請關注腳本之家其它相關文章！
相關文章
Python中報錯 “TypeError: ‘list‘ object is&n
這篇文章主要介紹了Python中報錯 “TypeError: ‘list‘ object is not callable”問題及解決方案,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-09-09
這篇文章主要為大家詳細介紹了python實現(xiàn)摳圖給證件照換背景源碼，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-08-08
這篇文章主要介紹了python可迭代對象去重實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2020-05-05
在本篇內(nèi)容里小編給大家分享了關于python爬蟲獲取百度首頁內(nèi)容教學，需要的朋友們可以跟著學習下。2018-12-12
運動目標檢測是計算機視覺領域中的一個重要內(nèi)容，其檢測效果將會對目標跟蹤與識別造成一定的影響，本文將介紹用Python來進行混合高斯模型運動目標檢測，感興趣的朋友快來看看吧2021-11-11
python3?http.client?網(wǎng)絡請求方式
這篇文章主要介紹了python3?http.client?網(wǎng)絡請求方式,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-09-09
Python實現(xiàn)提取XML內(nèi)容并保存到Excel中的方法
這篇文章主要介紹了Python實現(xiàn)提取XML內(nèi)容并保存到Excel中的方法,涉及Python針對xml文件的讀取、解析以及Excel文件的寫入、保存等相關操作技巧,需要的朋友可以參考下2018-09-09
這篇文章主要介紹了Python中range函數(shù)的使用方法，文章基于Python3環(huán)境展開range函數(shù)的使用方法，具有一定的參考價值，需要的小伙伴可以參考一下2022-05-05
python實現(xiàn)一次創(chuàng)建多級目錄的方法
這篇文章主要介紹了python實現(xiàn)一次創(chuàng)建多級目錄的方法,涉及Python中os模塊makedirs方法的使用技巧,非常簡單實用,需要的朋友可以參考下2015-05-05
這篇文章主要介紹了Python表示矩陣的方法,結合具體實例形式分析了Python表示矩陣的方法與相關操作注意事項,需要的朋友可以參考下2017-05-05