摘要：下面讓我們開始提速假設我們現在的電價是定值，不根據用電時間段來改變，那么中最快的方法那就是采用，這就是一個簡單的矢量化操作示范。它基本是在中運行最快的方式。

大家好，今天我們來看有關pandas加速的小技巧，不知道大家在剛剛接觸pandas的時候有沒有聽過如下的說法

pandas太慢了，運行要等半天

其實我想說的是，慢不是pandas的錯，大家要知道pandas本身是在Numpy上建立起來的包，在很多情況下是支持向量化運算的，而且還有C的底層設計，所以我今天
主要想從幾個方面和大家分享一下pandas加速的小技巧，與往常一樣，文章分成四部分，本文結構如下：

使用datetime類型來處理和時間序列有關的數據

批量計算的技巧

通過HDFStore存儲數據節省時間

源碼，相關數據及GitHub地址

現在就讓我們開始吧

首先這里我們使用的數據源是一個電力消耗情況的數據(energy_cost.csv)，非常貼近生活而且也是和時間息息相關的，用來做測試在合適不過了，這個csv文件大家可以在第四部分找到下載的地方哈

import os
# 這兩行僅僅是切換路徑，方便我上傳Github，大家不用理會,只要確認csv文件和py文件再一起就行啦
os.chdir("F:Python教程segmentfaultpandas_sharePandas之旅_07 誰說pandas慢")

現在讓我們看看數據大概長什么樣子

import numpy as np
import pandas as pd
f"Using {pd.__name__},{pd.__version__}"

"Using pandas,0.23.0"

df = pd.read_csv("energy_cost.csv",sep=",")
df.head()

現在我們看到初始數據的樣子了，主要有date_time和energy_kwh這兩列，來表示時間和消耗的電力，比較好理解，下面讓我們來看一下數據類型

df.dtypes
>>> date_time      object
    energy_kwh    float64
    dtype: object

type(df.iat[0,0])
>>> str

這里有個小問題，Pandas和NumPy有dtypes（數據類型）的概念。如果未指定參數，則date_time這一列的數據類型默認object，所以為了之后運算方便，我們可以把str類型的這一列轉化為timestamp類型:

df["date_time"] = pd.to_datetime(df["date_time"])
df.dtypes

>>> date_time     datetime64[ns]
    energy_kwh           float64
    dtype: object

先在大家可以發現我們通過用pd.to_datetime這個方法已經成功的把date_time這一列轉化為了datetime64類型

df.head()

現在再來看數據, 發現已經和剛才不同了,我們還可以通過指定format參數實現一樣的效果，速度上也會快一些

%%timeit -n 10
def convert_with_format(df, column_name):
    return pd.to_datetime(df[column_name],format="%Y/%m/%d %H:%M")

df["date_time"]=convert_with_format(df, "date_time")

>>>722 μs ± 334 μs per loop (mean ± std. dev. of 7 runs, 10 loops each)

有關具體的日期自定義相關方法，大家點擊這里查看

首先，我們假設根據用電的時間段不同，電費價目表如下：

假設我們想要計算出電費，我們可以先寫出一個根據時間動態計算電費的方法“apply_tariff“

def apply_tariff(kwh, hour):
    """Calculates cost of electricity for given hour."""    
    if 0 <= hour < 7:
        rate = 12
    elif 7 <= hour < 17:
        rate = 20
    elif 17 <= hour < 24:
        rate = 28
    else:
        raise ValueError(f"Invalid hour: {hour}")
    return rate * kwh

好啦，現在我們想要在數據中新增一列 "cost_cents" 來表示總價錢，我們有很多選擇，首先能想到的方法便是iterrows（），它可以讓我們循環遍歷Dataframe的每一行，根據條件計算并賦值給新增的‘cost_cents’列

首先我們能做的是循環遍歷流程，讓我們先用.iterrows()替代上面的方法來試試：

%%timeit -n 10
def apply_tariff_iterrows(df):
    energy_cost_list = []
    for index, row in df.iterrows():
        # Get electricity used and hour of day
        energy_used = row["energy_kwh"]
        hour = row["date_time"].hour
        # Append cost list
        energy_cost = apply_tariff(energy_used, hour)
        energy_cost_list.append(energy_cost)
    df["cost_cents"] = energy_cost_list

apply_tariff_iterrows(df)

983 ms ± 65.5 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

我們為了測試方便，所有的方法都會循環10次來比較耗時，這里很明顯我們有很大的改進空間，下面我們用apply方法來優化

%%timeit -n 10
def apply_tariff_withapply(df):
    df["cost_cents"] = df.apply(
        lambda row: apply_tariff(
            kwh=row["energy_kwh"],
            hour=row["date_time"].hour),
        axis=1)

apply_tariff_withapply(df)

247 ms ± 24.3 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

這回速度得到了很大的提升,但是顯然我們還沒有get到pandas加速的精髓：矢量化操作。下面讓我們開始提速

假設我們現在的電價是定值，不根據用電時間段來改變，那么pandas中最快的方法那就是采用(df["cost_cents"] = df["energy_kwh"] * price)，這就是一個簡單的矢量化操作示范。它基本是在Pandas中運行最快的方式。

目前的問題是我們的價格是動態的，那么如何將條件判斷添加到Pandas中的矢量化運算中呢？答案就是我們根據條件選擇和分組DataFrame，然后對每個選定的組應用矢量化操作:

#先讓我們把時間序列作為索引
df.set_index("date_time", inplace=True)

%%timeit -n 10
def apply_tariff_isin(df):
    # Define hour range Boolean arrays
    peak_hours = df.index.hour.isin(range(17, 24))
    shoulder_hours = df.index.hour.isin(range(7, 17))
    off_peak_hours = df.index.hour.isin(range(0, 7))

    # Apply tariffs to hour ranges
    df.loc[peak_hours, "cost_cents"] = df.loc[peak_hours, "energy_kwh"] * 28
    df.loc[shoulder_hours,"cost_cents"] = df.loc[shoulder_hours, "energy_kwh"] * 20
    df.loc[off_peak_hours,"cost_cents"] = df.loc[off_peak_hours, "energy_kwh"] * 12

apply_tariff_isin(df)

5.7 ms ± 871 μs per loop (mean ± std. dev. of 7 runs, 10 loops each)

這回我們發現速度是真正起飛了，首先我們根據用電的三個時段把df進行分三組，再依次進行三次矢量化操作，大家可以發現最后減少了很多時間，原理很簡單：

在運行的時候，.isin（）方法返回一個布爾值數組，如下所示：

[False, False, False, ..., True, True, True]

接下來布爾數組傳遞給DataFrame的.loc索引器時，我們獲得一個僅包含與3個用電時段匹配DataFrame切片。然后簡單的進行乘法操作就行了，這樣做的好處是我們已經不需要剛才提過的apply方法了，因為不在存在遍歷所有行的問題

通過觀察可以發現，在apply_tariff_isin（）中，我們仍然在通過調用df.loc和df.index.hour.isin（）來進行一些“手動工作”。如果想要進一步提速,我們可以使用cut方法

%%timeit -n 10
def apply_tariff_cut(df):
    cents_per_kwh = pd.cut(x=df.index.hour,
                           bins=[0, 7, 17, 24],
                           include_lowest=True,
                           labels=[12, 20, 28]).astype(int)
    df["cost_cents"] = cents_per_kwh * df["energy_kwh"]

140 ns ± 29.9 ns per loop (mean ± std. dev. of 7 runs, 10 loops each)

效果依然鋒利，速度上有了成倍的提升

眾所周知，Pandas是在Numpy上建立起來的，所以在Numpy中當然有類似cut的方法可以實現分組,從速度上來講差不太多

%%timeit -n 10
def apply_tariff_digitize(df):
    prices = np.array([12, 20, 28])
    bins = np.digitize(df.index.hour.values, bins=[7, 17, 24])
    df["cost_cents"] = prices[bins] * df["energy_kwh"].values

54.9 ns ± 19.3 ns per loop (mean ± std. dev. of 7 runs, 10 loops each)

正常情況下，以上的加速方法是能滿足日常需要的，如果有特殊的需求，大家可以上網看看有沒有相關的第三方加速包

這里主要想強調的是節省預處理的時間，假設我們辛辛苦苦搭建了一些模型，但是每次運行之前都要進行一些預處理，比如類型轉換，用時間序列做索引等，如果不用HDFStore的話每次都會花去不少時間，這里Python提供了一種解決方案，可以把經過預處理的數據存儲為HDF5格式，方便我們下次運行時直接調用。

下面就讓我們把本篇文章的df通過HDF5來存儲一下：

# Create storage object with filename `processed_data`
data_store = pd.HDFStore("processed_data.h5")

# Put DataFrame into the object setting the key as "preprocessed_df"
data_store["preprocessed_df"] = df
data_store.close()

現在我們可以關機下班了，當明天接著上班后，通過key（"preprocessed_df"）就可以直接使用經過預處理的數據了

# Access data store
data_store = pd.HDFStore("processed_data.h5")

# Retrieve data using key
preprocessed_df = data_store["preprocessed_df"]
data_store.close()

preprocessed_df.head()

如上圖所示，現在我們可以發現date_time已經是處理為index了

這一期為大家分享了一些pandas加速的實用技巧，希望可以幫到各位小伙伴，當然，類似的技巧還有很多，但是核心思想應該一直圍繞矢量化操作上，畢竟是基于Numpy上建立的包，如果大家有更好的辦法，希望可以在我的文章底下留言哈

我把這一期的ipynb文件，py文件以及我們用到的energy_cost.csv放到了Github上，大家可以點擊下面的鏈接來下載：

Github倉庫地址： https://github.com/yaozeliang/pandas_share

希望大家能夠繼續支持我，這一篇文章已經是Pandas系列的最后一篇了，雖然一共只寫了7篇文章，但是我認為從實用性上來講并沒有太遜色于收費課程（除了少了很多漂亮的ppt），接下來我會再接再厲，分享一下我對R （ggplot2）或者matplotlib的學習經驗！！

Pandas之旅到此結束。撒花