数据科学|数据科学 IPython 笔记本 7.15 高性能 Pandas(`eval()`和`query()`)

# 7.15 高性能 Pandas:eval()query()

原文:High-Performance Pandas: eval() and query()
译者:飞龙
协议:CC BY-NC-SA 4.0
本节是《Python 数据科学手册》(Python Data Science Handbook)的摘录。
我们在前面的章节中已经看到,PyData 技术栈的力量,建立在 NumPy 和 Pandas 通过直观语法,将基本操作推送到 C 的能力的基础上:例如 NumPy 中的向量化/广播操作,以及 Pandas 的分组类型操作。虽然这些抽象对于许多常见用例是高效且有效的,但它们通常依赖于临时中间对象的创建,这可能产生计算时间和内存使用的开销。
从版本 0.13(2014 年 1 月发布)开始,Pandas 包含一些实验性工具,允许你直接访问速度和 C 一样的操作,而无需昂贵的中间数组分配。这些是eval()query()函数,它依赖于 Numexpr 包。在这个笔记本中,我们将逐步介绍它们的使用方法,并提供一些何时可以考虑使用它们的经验法则。
query()eval()的动机:复合表达式 我们以前见过 NumPy 和 Pandas 支持快速向量化操作;例如,相加两个数组的元素时:
import numpy as np rng = np.random.RandomState(42) x = rng.rand(1000000) y = rng.rand(1000000) %timeit x + y# 100 loops, best of 3: 3.39 ms per loop

正如“NumPy 数组的计算:通用函数”中所讨论的,这比通过 Python 循环或推导式执行加法要快得多:
%timeit np.fromiter((xi + yi for xi, yi in zip(x, y)), dtype=x.dtype, count=len(x))# 1 loop, best of 3: 266 ms per loop

但是在计算复合表达式时,这种抽象可能变得不那么有效。例如,请考虑以下表达式:
mask = (x > 0.5) & (y < 0.5)

因为 NumPy 会计算每个子表达式,所以大致相当于以下内容:
tmp1 = (x > 0.5) tmp2 = (y < 0.5) mask = tmp1 & tmp2

换句话说,每个中间步骤都在内存中明确分配。如果xy数组非常大,这可能会产生大量内存和计算开销。Numexpr 库使你能够逐元素计算这种类型的复合表达式,而无需分配完整的中间数组。Numexpr 文档有更多细节,但暂时可以说,这个库接受字符串,它提供了你想要计算的 NumPy 风格的表达式:
import numexpr mask_numexpr = numexpr.evaluate('(x > 0.5) & (y < 0.5)') np.allclose(mask, mask_numexpr)# True

这里的好处是,Numexpr 以不使用完整临时数组的方式计算表达式,因此可以比 NumPy 更有效,特别是对于大型数组。我们将在这里讨论的 Pandas eval()query()工具,在概念上是相似的,并且依赖于 Numexpr 包。
用于高效操作的pandas.eval() Pandas 中的eval()函数接受字符串表达式,来使用DataFrame高效地计算操作。例如,考虑以下DataFrame
import pandas as pd nrows, ncols = 100000, 100 rng = np.random.RandomState(42) df1, df2, df3, df4 = (pd.DataFrame(rng.rand(nrows, ncols)) for i in range(4))

要使用典型的 Pandas 方法计算所有四个DataFrame的和,我们可以写出总和:
%timeit df1 + df2 + df3 + df4# 10 loops, best of 3: 87.1 ms per loop

通过将表达式构造为字符串,可以通过pd.eval计算相同的结果:
%timeit pd.eval('df1 + df2 + df3 + df4')# 10 loops, best of 3: 42.2 ms per loop

这个表达式的eval()版本速度提高了约 50%(并且使用的内存更少),同时给出了相同的结果:
np.allclose(df1 + df2 + df3 + df4, pd.eval('df1 + df2 + df3 + df4'))# True

pd.eval()所支持的操作
从 Pandas v0.16 开始,pd.eval()支持广泛的操作。为了演示这些,我们将使用以下整数DataFrame
df1, df2, df3, df4, df5 = (pd.DataFrame(rng.randint(0, 1000, (100, 3))) for i in range(5))

算术运算符 pd.eval()支持所有算术运算符,例如:
result1 = -df1 * df2 / (df3 + df4) - df5 result2 = pd.eval('-df1 * df2 / (df3 + df4) - df5') np.allclose(result1, result2)# True

比较运算符 pd.eval()支持所有比较运算符,包括链式表达式:
result1 = (df1 < df2) & (df2 <= df3) & (df3 != df4) result2 = pd.eval('df1 < df2 <= df3 != df4') np.allclose(result1, result2)# True

按位运算符 pd.eval()支持&|按位运算符:
result1 = (df1 < 0.5) & (df2 < 0.5) | (df3 < df4) result2 = pd.eval('(df1 < 0.5) & (df2 < 0.5) | (df3 < df4)') np.allclose(result1, result2)# True

另外,它支持在布尔表达式中使用字面andor
result3 = pd.eval('(df1 < 0.5) and (df2 < 0.5) or (df3 < df4)') np.allclose(result1, result3)# True

对象属性和索引 pd.eval()支持通过obj.attr语法访问对象属性,和通过obj[index]语法进行索引:
result1 = df2.T[0] + df3.iloc[1] result2 = pd.eval('df2.T[0] + df3.iloc[1]') np.allclose(result1, result2)# True

其它运算符 其他操作,如函数调用,条件语句,循环和其他更复杂的结构,目前都没有在pd.eval()中实现。如果你想执行这些更复杂的表达式,可以使用 Numexpr 库本身。
用于逐列运算的DataFrame.eval() 就像 Pandas 有顶级的pd.eval()函数一样,DataFrameeval()方法,它的工作方式类似。eval()方法的好处是列可以通过名称引用。我们将使用这个带标签的数组作为示例:
df = pd.DataFrame(rng.rand(1000, 3), columns=['A', 'B', 'C']) df.head()

A B C
0 0.375506 0.406939 0.069938
1 0.069087 0.235615 0.154374
2 0.677945 0.433839 0.652324
3 0.264038 0.808055 0.347197
4 0.589161 0.252418 0.557789
使用上面的pd.eval(),我们可以像这样使用三列来计算表达式:
result1 = (df['A'] + df['B']) / (df['C'] - 1) result2 = pd.eval("(df.A + df.B) / (df.C - 1)") np.allclose(result1, result2)# True

DataFrame.eval()方法允许使用列来更简洁地求解表达式:
result3 = df.eval('(A + B) / (C - 1)') np.allclose(result1, result3)# True

【数据科学|数据科学 IPython 笔记本 7.15 高性能 Pandas(`eval()`和`query()`)】请注意,我们将列名称视为要求解的表达式中的变量,结果是我们希望的结果。
DataFrame.eval()中的赋值
除了刚才讨论的选项之外,DataFrame.eval()还允许赋值给任何列。让我们使用之前的DataFrame,它有列ABC
df.head()

A B C
0 0.375506 0.406939 0.069938
1 0.069087 0.235615 0.154374
2 0.677945 0.433839 0.652324
3 0.264038 0.808055 0.347197
4 0.589161 0.252418 0.557789
我们可以使用df.eval()创建一个新列'D'并为其赋一个从其他列计算的值:
df.eval('D = (A + B) / C', inplace=True) df.head()

A B C D
0 0.375506 0.406939 0.069938 11.187620
1 0.069087 0.235615 0.154374 1.973796
2 0.677945 0.433839 0.652324 1.704344
3 0.264038 0.808055 0.347197 3.087857
4 0.589161 0.252418 0.557789 1.508776
以同样的方式,可以修改任何现有列:
df.eval('D = (A - B) / C', inplace=True) df.head()

A B C D
0 0.375506 0.406939 0.069938 -0.449425
1 0.069087 0.235615 0.154374 -1.078728
2 0.677945 0.433839 0.652324 0.374209
3 0.264038 0.808055 0.347197 -1.566886
4 0.589161 0.252418 0.557789 0.603708
DataFrame.eval()中的局部变量
DataFrame.eval()方法支持一种额外的语法,可以使用 Python 局部变量。考虑以下:
column_mean = df.mean(1) result1 = df['A'] + column_mean result2 = df.eval('A + @column_mean') np.allclose(result1, result2)# True

这里的@字符标记变量名而不是列名,并允许你高效计算涉及两个“名称空间”的表达式:列的名称空间和 Python 对象的名称空间。请注意,这个@字符仅由DataFrame.eval()方法支持,不由pandas.eval()函数支持,因为pandas.eval ()函数只能访问一个(Python)命名空间。
DataFrame.query()方法 DataFrame有另一种基于字符串的求值方法,称为query()方法。考虑以下:
result1 = df[(df.A < 0.5) & (df.B < 0.5)] result2 = pd.eval('df[(df.A < 0.5) & (df.B < 0.5)]') np.allclose(result1, result2)# True

与我们讨论DataFrame.eval()时使用的示例一样,这是一个涉及DataFrame列的表达式。但是,无法使用DataFrame.eval()语法表达它!相反,对于这种类型的过滤操作,你可以使用query()方法:
result2 = df.query('A < 0.5 and B < 0.5') np.allclose(result1, result2)# True

除了作为更有效的计算之外,与掩码表达式相比,这更容易阅读和理解。注意query()方法也接受@标志来标记局部变量:
Cmean = df['C'].mean() result1 = df[(df.A < Cmean) & (df.B < Cmean)] result2 = df.query('A < @Cmean and B < @Cmean') np.allclose(result1, result2)# True

性能:什么时候使用这些函数 在考虑是否使用这些函数时,有两个注意事项:计算时间和内存使用。内存使用是最可预测的方面。 如前所述,涉及 NumPy 数组或 Pandas DataFrame的每个复合表达式,都会产生隐式创建的临时数组:例如,这个:
x = df[(df.A < 0.5) & (df.B < 0.5)]

大致相当于这个:
tmp1 = df.A < 0.5 tmp2 = df.B < 0.5 tmp3 = tmp1 & tmp2 x = df[tmp3]

如果临时DataFrame的大小与可用的系统内存(通常是几千兆字节)相比很大,那么使用eval()query()表达式是个好主意。你可以使用以下方法检查数组的大致大小(以字节为单位):
df.values.nbytes# 32000

在性能方面,即使你没有超出你的系统内存,eval()也会更快。问题是你的临时DataFrame与系统上的 L1 或 L2 CPU 缓存的大小相比(2016 年通常为几兆字节)如何;如果它们更大,那么eval()可以避免不同内存缓存之间的某些值移动,它们可能很慢。
在实践中,我发现传统方法和eval/query方法之间的计算时间差异,通常不大 - 如果有的话,传统方法对于较小的数组来说更快!eval/query的好处主要在于节省的内存,以及它们提供的有时更清晰的语法。
我们已经涵盖了eval()query()的大部分细节;对于这些的更多信息,你可以参考 Pandas 文档。特别是,可以指定执行这些查询的不同解析器和引擎;详细信息请参阅“提升性能”部分中的讨论。

    推荐阅读