前言

Pandas是python的一個(gè)數(shù)據(jù)分析包，提供了大量的快速便捷處理數(shù)據(jù)的函數(shù)和方法。其中Pandas定義了Series 和 DataFrame兩種數(shù)據(jù)類型，這使數(shù)據(jù)操作變得更簡單。Series 是一種一維的數(shù)據(jù)結(jié)構(gòu)，類似于將列表數(shù)據(jù)值與索引值相結(jié)合。DataFrame 是一種二維的數(shù)據(jù)結(jié)構(gòu)，接近于電子表格或者mysql數(shù)據(jù)庫的形式。

在數(shù)據(jù)分析中不可避免的涉及到對數(shù)據(jù)的遍歷查詢和處理，比如我們需要將dataframe兩列數(shù)據(jù)兩兩相除，并將結(jié)果存儲(chǔ)于一個(gè)新的列表中。本文通過該例程介紹對pandas數(shù)據(jù)遍歷的幾種方法。

for..in循環(huán)迭代方式

for語句是Python內(nèi)置的迭代器工具，用于從可迭代容器對象（如列表、元組、字典、集合、文件等）中逐個(gè)讀取元素，直到容器中沒有更多元素為止，工具和對象之間只要遵循可迭代協(xié)議即可進(jìn)行迭代操作。
具體的迭代的過程：可迭代對象通過__iter__方法返回迭代器，迭代器具有__next__方法，for循環(huán)不斷地調(diào)用__next__方法，每次按序返回迭代器中的一個(gè)值，直到迭代到最后，沒有更多元素時(shí)拋出異常StopIteration（python自動(dòng)處理異常）。迭代的優(yōu)點(diǎn)是無需把所有元素一次加載到內(nèi)存中，可以在調(diào)用next方法時(shí)逐個(gè)返回元素，避免出現(xiàn)內(nèi)存空間不夠的情況。

>>> x = [1,2,3]
>>> its = x.__iter__() #列表是可迭代對象，否則會(huì)提示不是迭代對象
>>> its
<list_iterator object at 0x100f32198>
>>> next(its) # its包含此方法，說明its是迭代器
1
>>> next(its) 
2
>>>next(its) 
3
>>> next(its) 
Traceback (most recent call last):
 File "<stdin>", line 1, in <module>
StopIteration

實(shí)現(xiàn)代碼如下：

def haversine_looping(df):
disftance_list = []
for i in range(0,len(df)):
 disftance_list.append(df.iloc[i][‘high']/df.iloc[i][‘open'])
 return disftance_list

關(guān)于上述代碼中range的實(shí)現(xiàn)方法，我們也可根據(jù)迭代器協(xié)議自實(shí)現(xiàn)相同功能的迭代器（自帶iter方法和next方法）應(yīng)用在for循環(huán)中，代碼如下：

class MyRange:
 def __init__(self, num):
  self.i = 0
  self.num = num
 def __iter__(self):
  return self
 def __next__(self):
  if self.i < self.num:
  i = self.i
  self.i += 1
  return i
  else:
  raise StopIteration()
 for i in MyRange(10):
 print(i) 

我們也可以通過列表解析的方式用更少的代碼實(shí)現(xiàn)數(shù)據(jù)處理功能

disftance_list = [df.iloc[i][‘high']/df.iloc[i][‘open'] for i in range(0,len(df))]

iterrows()生成器方式

iterrows是對dataframe行進(jìn)行迭代的一個(gè)生成器，它返回每行的索引及包含行本身的對象。所謂生成器其實(shí)是一種特殊的迭代器，內(nèi)部支持了迭代器協(xié)議。Python中提供生成器函數(shù)和生成器表達(dá)式兩種方式實(shí)現(xiàn)生成器，每次請求返回一個(gè)結(jié)果，不需要一次性構(gòu)建一個(gè)結(jié)果列表，節(jié)省了內(nèi)存空間。

生成器函數(shù)：編寫為常規(guī)的def語句，但是使用yield語句一次返回一個(gè)結(jié)果，在每個(gè)結(jié)果之間掛起和繼續(xù)它們的狀態(tài)。

def gensquares(N):
 for i in range(N):
 yield i**2 
print gensquares(5)
for i in gensquares(5):
 print(i) 

<generator object gensquares at 0xb3d37fa4>
0
1
4
9
16

生成器表達(dá)式：類似列表解析，按需產(chǎn)生結(jié)果的一個(gè)對象。

print (x**2 for x in range(5))
print list(x**2 for x in range(5))
<generator object <genexpr> at 0xb3d31fa4>
[0, 1, 4, 9, 16]

iterrows()實(shí)現(xiàn)代碼如下：

def haversine_looping(df):
disftance_list = []
for index,row in df.iterrows():
 disftance_list.append(row[‘high']/row[‘open'])
 return disftance_list

iterrows代碼如下，yield語句掛起該函數(shù)并向調(diào)用者發(fā)送回一組值：

def iterrows(self):
 columns = self.columns
 klass = self._constructor_sliced
 for k, v in zip(self.index, self.values):
  s = klass(v, index=columns, name=k)
  yield k, s

apply()方法循環(huán)方式

apply()方法可將函數(shù)應(yīng)用于dataframe特定行或列。函數(shù)由lambda方式在代碼中內(nèi)嵌實(shí)現(xiàn)，lambda函數(shù)的末尾包含axis參數(shù)，用來告知Pandas將函數(shù)運(yùn)用于行（axis = 1）或者列（axis = 0）。

實(shí)現(xiàn)代碼如下：

df.apply(lambda row: row[‘high']/row[‘open'], axis =1)

Pandas series 的矢量化方式

Pandas的DataFrame、series基礎(chǔ)單元數(shù)據(jù)結(jié)構(gòu)基于鏈表，因此可將函數(shù)在整個(gè)鏈表上進(jìn)行矢量化操作，而不用按順序執(zhí)行每個(gè)值。Pandas包括了非常豐富的矢量化函數(shù)庫，我們可把整個(gè)series（列）作為參數(shù)傳遞，對整個(gè)鏈表進(jìn)行計(jì)算。

實(shí)現(xiàn)代碼如下：

dftest4['rate'] = dftest4['high']/dftest4['open'] 

Numpy arrays的矢量化方式

由于函數(shù)的矢量化實(shí)現(xiàn)中只使用了series的數(shù)值，因此可使用values 方法將鏈表從Pandas series轉(zhuǎn)換為NumPy arrays，把NumPy array作為參數(shù)傳遞，對整個(gè)鏈表進(jìn)行計(jì)算。

實(shí)現(xiàn)代碼如下：

dftest5['rate'] = dftest5['high'].values/dftest5['open'].values 

總結(jié)

使用timeit方法對以上幾種遍歷方式進(jìn)行執(zhí)行時(shí)間測試，測試結(jié)果如下?？梢钥闯鲅h(huán)執(zhí)行的速度是最慢的，iterrows()針對Pandas的dataframe進(jìn)行了優(yōu)化，相比直接循環(huán)有顯著提升。apply()方法也是在行之間進(jìn)行循環(huán)，但由于利用了類似Cython的迭代器的一系列全局優(yōu)化，其效率要比iterrows高很多。NumPy arrays的矢量化運(yùn)行速度最快，其次是Pandas series矢量化。由于矢量化是同時(shí)作用于整個(gè)序列的，可以節(jié)省更多的時(shí)間，相比使用標(biāo)量操作更好，NumPy使用預(yù)編譯的C代碼在底層進(jìn)行優(yōu)化，同時(shí)也避免了Pandas series操作過程中的很多開銷，例如索引、數(shù)據(jù)類型等等，因此，NumPy arrays的操作要比Pandas series快得多。

最新評論