为什么将向量化函数传递给 read_csv
converters
参数,它们会分别对每个值执行,而不是一次对所有值执行? 这比之后手动转换相应的列要慢得多 (~60x)。
描述
在读取大型csv文件(几百万行的混合数据)时,我使用了pandas的read_csv
方法的converters
参数,方便的传递了将字符串转换为datetime的函数对象等
但是,与手动转换相应的列相比,使用转换器参数非常慢。
示例代码
为了说明,让我们使用 3 种不同的方法将字符串转换为日期时间对象:
- 转换器参数
- parse_dates/date_parser 参数
- 加载 csv 后手动
注意,这里从字符串到日期时间的转换是任意的。这可以用其他函数替换(除了没有特定的 parse_dates/date_parser 参数)。
import pandas as pd # 0.19.2 with python 3.5
# create dummy data
rows = 100000
data = {"dates": pd.date_range("2017-02-27 20:44:23", periods=rows, freq="S")}
# save as temporary file for timeit
pd.DataFrame(data).to_csv("dummy")
# define converters
def convert_datetime(series):
return pd.to_datetime(series, format="%Y-%m-%d %H:%M:%S")
现在,让我们看看 timeit (iPython) 比较:
# METHOD 1
%%timeit
df = pd.read_csv("dummy", converters={"dates": convert_datetime})
# 1 loop, best of 3: 7.76 s per loop
# METHOD 2
%%timeit
df = pd.read_csv("dummy", parse_dates=["dates"], date_parser=convert_datetime)
# 10 loops, best of 3: 125 ms per loop
# METHOD 3
%%timeit
df = pd.read_csv("dummy")
df["dates"] = convert_datetime(df["dates"])
# 10 loops, best of 3: 129 ms per loop
结果
转换器的版本比其他版本慢大约 60 倍。为了更好地理解这一点,我将 convert_datetime 函数包装到一个小装饰器类中以计算调用次数:
class Counter:
def __init__(self, func):
self.func = func
self.count = 0
def __call__(self, *args, **kwargs):
self.count += 1
return self.func(*args, **kwargs)
@Counter
def convert_datetime(series):
return pd.to_datetime(series, format="%Y-%m-%d %H:%M:%S")
它揭示了使用转换器的参数为每个值调用 convert_datetime
函数,而其他版本只调用转换器函数一次。这解释了性能缺陷。
最佳答案
来自 read_csv
的文档(强调我的),
converters
: dict, default None
- Dict of functions for converting values in certain columns. Keys can either be integers or column labels
converters
关键字参数的想法是提供作用于单个值而不是整个列的函数。这可以通过重新定义转换器函数看出
def convert_datetime(val):
return datetime.datetime.strptime(val, "%Y-%m-%d %H:%M:%S")
%timeit pd.read_csv("dummy", converters={"dates": convert_datetime})
1 loop, best of 3: <b>2.81 s per loop</b>
如您所想,这相当于大量 Python 函数调用。
至于为什么 converters 参数不接受向量化函数,我最好的猜测 是它们提供的灵 active 比当前的实现要差一些。想法是您可以解析必要的日期列等,这可能需要一些带有矢量化parse_dates
、date_parser
的解析逻辑,并且大多数进一步的列操作可以使用向量化方法在读取后完成。
换句话说,能够解析具有以不同类型(如日期时间)结束的元素对于在 read_csv
中使用矢量化方法很方便。除此之外,converters
只是一个方便的参数,它可以灵活地作用于各个值 - 因为进一步的向量化方法无论如何都可以在读后完成。
关于python - 为什么 pandas read_csv 转换器的性能要慢得多并且是非矢量化的?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42462906/