与幼稚的实现相比,Pandas to_dict("records") 的性能似乎要差得多。下面是我的实现的代码片段:
def fast_to_dict_records(df):
data = df.values.tolist()
columns = df.columns.tolist()
return [
dict(zip(columns, datum))
for datum in data
]
要比较性能,请尝试以下代码片段:import pandas as pd
import numpy as np
df_test = pd.DataFrame(
np.random.normal(size=(10000, 300)),
columns=range(300)
)
%timeit df_test.to_dict('records')
%timeit fast_to_dict_records(df_test)
输出是:2.21 s ± 71.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
293 ms ± 15.8 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
也就是说,我的实现比 Pandas 本地实现快 7.5 倍。此外,应该很容易验证这两种方法提供相同的结果。我还针对不同大小的数据帧测试了性能,似乎我的实现始终优于其对应项(尽管幅度可能不同)。我很好奇我在这里遗漏了什么吗?我只是不相信 Pandas 的本地实现性能,在我的印象中非常有竞争力,可以被一个不那么复杂的替代方案打败......
最佳答案
TL;DR: Pandas 主要是用纯 Python 编写的,就像您的实现一样,尽管它经常在内部使用矢量化 Numpy 调用来加快计算速度。不幸的是,这里不是这种情况。因此,Pandas 的实现效率低下。您的实现速度更快,但需要更多内存。
深入研究:
您可以找到 to_list
here 的实现。它在内部使用 itertuples
迭代数据(参见 here 的代码)。 2021 年 3 月 12 日生成的(稍微简化的)Pandas 代码如下:
def maybe_box_native(value: Scalar) -> Scalar:
if is_datetime_or_timedelta_dtype(value): # branch never taken here
value = maybe_box_datetimelike(value)
elif is_float(value): # branch always taken here
value = float(value) # slow manual conversion for EACH values!
elif is_integer(value):
value = int(value)
elif is_bool(value):
value = bool(value)
return value
def pandas_to_list(df):
# From itertuples:
fields = list(df.columns)
arrays = [df.iloc[:, k] for k in range(len(df.columns))]
tmpRes = zip(*arrays)
# From to_list:
columns = df.columns.tolist()
rows = (dict(zip(columns, row)) for row in tmpRes)
return [dict((k, maybe_box_native(v)) for k, v in row.items()) for row in rows]
您的实现使用 to_list
在内存中生成一个大的临时列表,而 Pandas 在内部使用 Python 生成器。在大多数简单情况下,这个列表在实践中不应该是一个问题,因为 dict
最终应该更大。但是,
to_list
(在您的实现中)还使用 向量化 Numpy 在内部调用 有效地转换 Numpy 类型,而 Pandas 使用非常慢的方法。确实, Pandas 使用 maybe_box_native
纯 Python 函数和慢 if/else 对所有值进行 一一检查和转换……因此,Pandas 实现速度较慢也就不足为奇了。话虽如此,请注意您的代码可能会因日期而异。当前的 Pandas 实现效率低下, future 显然可以改进(可能不需要更多内存)。
关于python - 为什么 Pandas 数据帧 to_dict ("records") 与另一个简单的实现相比性能很差?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/67050899/