pandas.DataFrame.mean()非常慢。DataFrame.mean() 非常慢。怎样才能更快地计算列的平均值?

问题描述 投票:7回答:2

我有一个相当大的CSV文件,它包含9917530行(不含页眉),54列。列是实数或整数,只有一列包含日期。文件中有一些NULL值,这些值被转换为 nan 当我把它加载到熊猫后 DataFrame我喜欢这样。

import pandas as pd
data = pd.read_csv('data.csv')

加载后,我觉得非常快,因为它花了大约30秒(和用Unix工具数行的时间差不多)。wc),这个过程占用了大约4Gb的内存(磁盘上的文件大小:2.2Gb.)。到目前为止一切正常。

然后我试着做了以下操作。

column_means = data.mean()

进程占用的内存很快就增加到了22Gb左右。我也可以看到处理器(一个核心)非常非常的忙碌--大概有三个小时,之后我就杀死了这个进程,因为我需要用这台机器做其他事情。我有一台速度相当快的Linux电脑--它有2个处理器,每个处理器有4个核心,所以总共有8个核心,还有32Gb的内存。我不相信计算列式需要这么长时间。

谁能解释一下原因?DataFrame.mean() 是如此之慢?更重要的是,有什么更好的方法来计算这样一个文件的列的手段?我是不是没有以最好的方式加载文件,我是否应该使用不同的函数来代替 DataFrame.mean() 或者是完全不同的工具?

非常感谢。

EDIT. 这里是什么 df.info() 显示。

<class 'pandas.core.frame.DataFrame'>
Int64Index: 9917530 entries, 0 to 9917529
Data columns (total 54 columns):
srch_id                        9917530  non-null values
date_time                      9917530  non-null values
site_id                        9917530  non-null values
visitor_location_country_id    9917530  non-null values
visitor_hist_starrating        505297  non-null values
visitor_hist_adr_usd           507612  non-null values
prop_country_id                9917530  non-null values
prop_id                        9917530  non-null values
prop_starrating                9917530  non-null values
prop_review_score              9902900  non-null values
prop_brand_bool                9917530  non-null values
prop_location_score1           9917530  non-null values
prop_location_score2           7739150  non-null values
prop_log_historical_price      9917530  non-null values
position                       9917530  non-null values
price_usd                      9917530  non-null values
promotion_flag                 9917530  non-null values
srch_destination_id            9917530  non-null values
srch_length_of_stay            9917530  non-null values
srch_booking_window            9917530  non-null values
srch_adults_count              9917530  non-null values
srch_children_count            9917530  non-null values
srch_room_count                9917530  non-null values
srch_saturday_night_bool       9917530  non-null values
srch_query_affinity_score      635564  non-null values
orig_destination_distance      6701069  non-null values
random_bool                    9917530  non-null values
comp1_rate                     235806  non-null values
comp1_inv                      254433  non-null values
comp1_rate_percent_diff        184907  non-null values
comp2_rate                     4040633  non-null values
comp2_inv                      4251538  non-null values
comp2_rate_percent_diff        1109847  non-null values
comp3_rate                     3059273  non-null values
comp3_inv                      3292221  non-null values
comp3_rate_percent_diff        944007  non-null values
comp4_rate                     620099  non-null values
comp4_inv                      692471  non-null values
comp4_rate_percent_diff        264213  non-null values
comp5_rate                     4444294  non-null values
comp5_inv                      4720833  non-null values
comp5_rate_percent_diff        1681006  non-null values
comp6_rate                     482487  non-null values
comp6_inv                      524145  non-null values
comp6_rate_percent_diff        193312  non-null values
comp7_rate                     631077  non-null values
comp7_inv                      713175  non-null values
comp7_rate_percent_diff        277838  non-null values
comp8_rate                     3819043  non-null values
comp8_inv                      3960388  non-null values
comp8_rate_percent_diff        1225707  non-null values
click_bool                     9917530  non-null values
gross_bookings_usd             276592  non-null values
booking_bool                   9917530  non-null values
dtypes: float64(34), int64(19), object(1)None
python performance pandas dataframe
2个回答
15
投票

这里有一个类似大小的from ,但没有对象列。

In [10]: nrows = 10000000

In [11]: df = pd.concat([DataFrame(randn(int(nrows),34),columns=[ 'f%s' % i for i in range(34) ]),DataFrame(randint(0,10,size=int(nrows*19)).reshape(int(nrows),19),columns=[ 'i%s' % i for i in range(19) ])],axis=1)

In [12]: df.iloc[1000:10000,0:20] = np.nan

In [13]: df.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 10000000 entries, 0 to 9999999
Data columns (total 53 columns):
f0     9991000  non-null values
f1     9991000  non-null values
f2     9991000  non-null values
f3     9991000  non-null values
f4     9991000  non-null values
f5     9991000  non-null values
f6     9991000  non-null values
f7     9991000  non-null values
f8     9991000  non-null values
f9     9991000  non-null values
f10    9991000  non-null values
f11    9991000  non-null values
f12    9991000  non-null values
f13    9991000  non-null values
f14    9991000  non-null values
f15    9991000  non-null values
f16    9991000  non-null values
f17    9991000  non-null values
f18    9991000  non-null values
f19    9991000  non-null values
f20    10000000  non-null values
f21    10000000  non-null values
f22    10000000  non-null values
f23    10000000  non-null values
f24    10000000  non-null values
f25    10000000  non-null values
f26    10000000  non-null values
f27    10000000  non-null values
f28    10000000  non-null values
f29    10000000  non-null values
f30    10000000  non-null values
f31    10000000  non-null values
f32    10000000  non-null values
f33    10000000  non-null values
i0     10000000  non-null values
i1     10000000  non-null values
i2     10000000  non-null values
i3     10000000  non-null values
i4     10000000  non-null values
i5     10000000  non-null values
i6     10000000  non-null values
i7     10000000  non-null values
i8     10000000  non-null values
i9     10000000  non-null values
i10    10000000  non-null values
i11    10000000  non-null values
i12    10000000  non-null values
i13    10000000  non-null values
i14    10000000  non-null values
i15    10000000  non-null values
i16    10000000  non-null values
i17    10000000  non-null values
i18    10000000  non-null values
dtypes: float64(34), int64(19)

时序(与您的机器规格相似)

In [14]: %timeit df.mean()
1 loops, best of 3: 21.5 s per loop

你可以通过预转换为浮点数来获得2倍的速度(mean也可以,但做的方式比较笼统,所以比较慢)

In [15]: %timeit df.astype('float64').mean()
1 loops, best of 3: 9.45 s per loop

你的问题是对象列。平均数会尝试计算所有的列,但由于对象列的原因,所有的列都被上报到了 object dtype,计算效率不高。

最好的办法是做

 df._get_numeric_data().mean()

有一个选项可以这样做 numeric_only但由于某些原因,我们没有通过顶层函数(如平均值)直接支持这个参数。我认为会产生一个问题来添加这个参数。然而将可能是 False (默认为不排除)。


0
投票

你可以尝试一下这样的做法 -

pd.DataFrame(data.description())

我注意到这比我在数据框上使用平均数的情况下要快得多

© www.soinside.com 2019 - 2024. All rights reserved.