python - 使用 int8 列检查 Pandas 数据框中的 NaN 值

Question

正如在 question 中提出的那样我上周提出，一种存储值在 [True, False, NaN] 范围内的列的内存有效方法是使用 int8 数据类型来表示 True 为 1，False 为 0 和 NaN 为 -1.

如果我这样做，“重新定义”pandas 的 isnull() 方法是什么好的做法，以便还考虑到如果数据框中的列具有 dtype int8, -1 应被视为空值。我可以考虑定义一个新函数 def isnull(v)，如果值为 NaN 则返回，如果 dtype int8 则返回 -1，但我可以想象不会是一个非常快速和有效的解决方案(假设我正在使用的数据框有数 GB 大，并且我希望能够计算列/数据框中“空”值的数量)。

Answer 1

应该很快吧

100.000.000 行系列的计时。

In [84]: s = pd.Series(np.random.choice([1,0,-1], 10**8), dtype=np.int8)

In [85]: s.shape
Out[85]: (100000000,)

模拟series.isnull():

In [86]: %timeit s==-1
87 ms ± 3.51 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [87]: %timeit s.values==-1
84.1 ms ± 2.88 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [88]: %timeit np.where(s==-1)
546 ms ± 14.6 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [89]: %timeit np.where(s.values==-1)
531 ms ± 2.78 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

模拟:series.isnull().sum():

In [90]: %timeit (s==-1).sum()
1.39 s ± 38.1 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [91]: %timeit (s.values==-1).sum()
181 ms ± 1.88 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

请注意，为了计算(求和)它们，(s==-1).sum() 和 (s.values==-1).sum 之间的区别() 非常明显