大数据怎么让数据处理循环加快？

雷锋网 AI 开发者按，如果你使用 python 和 pandas 进行数据分析，那么不久你就会第一次使用循环了。然而，即使是对小型数据集，使用标准循环也很费时，你很快就会意识到大型数据帧可能需要很长的时间。当我第一次等了半个多小时来执行代码时，我找到了接下来想与你共享的替代方案。

标准循环

数据帧是具有行和列的 pandas 对象。如果使用循环，则将遍历整个对象。python 不能用任何内置函数，而且速度非常慢。在我们的示例中，我们得到了一个具有 65 列和 1140 行的数据帧，它包含 2016-2019 赛季的足球比赛结果。我们要创建一个新的列来指示某个特定的队是否打过平局。我们可以这样开始：

1. leaguedf['Draws'] = 99999    
2.  
3. for row in range(0, len(leaguedf)):     
4.  
5. if ((leaguedf['HomeTeam'].iloc[row] == TEAM) & (leaguedf['FTR'].iloc[row] == 'D')) | \\ 
6. ((leaguedf['AwayTeam'].iloc[row] == TEAM) & (leaguedf['FTR'].iloc[row] == 'D')):     
7.  
8. leaguedf['Draws'].iloc[row] = 'Draw'      
9. elif ((leaguedf['HomeTeam'].iloc[row] == TEAM) & (leaguedf['FTR'].iloc[row] != 'D')) | \\
10.  
11. ((leaguedf['AwayTeam'].iloc[row] == TEAM) & (leaguedf['FTR'].iloc[row] != 'D')):   
12. leaguedf['Draws'].iloc[row] = 'No_Draw'  
13.  
14. else:      
15.  
16. leaguedf['Draws'].iloc[row] = 'No_Game'  
17. def soc_loop(leaguedf,TEAM,):    

因为我们的数据框架中包含了英超的每一场比赛，所以我们必须检查我们感兴趣的球队(阿森纳)是否参加过比赛，是否适用，他们是主队还是客队。如你所见，这个循环非常慢，需要 207 秒才能执行。让我们看看如何提高效率。

pandas 内置函数：iterrow()——快 321 倍

在第一个示例中，我们循环访问了整个数据帧。iterrows()为每行返回一个序列，因此它以一对索引的形式在数据帧上迭代，而感兴趣的列以序列的形式迭代。这使得它比标准循环更快：

1. def soc_iter(TEAM,home,away,ftr):  
2.         #team, row['HomeTeam'], row['AwayTeam'], row['FTR']    
3.         if [((home == TEAM) & (ftr == 'D')) | ((away == TEAM) & (ftr == 'D'))]:     
4.                 result = 'Draw'     
5.        elif [((home == TEAM) & (ftr != 'D')) | ((away == TEAM) & (ftr != 'D'))]:     
6.               result = 'No_Draw'  
7.  
8.        else:     
9.               result = 'No_Game'    
10.        return result 

代码运行需要 68 毫秒，比标准循环快 321 倍。但是，许多人建议不要使用它，因为仍然有更快的方法，并且 iterrows() 不保留跨行的数据类型。这意味着，如果在数据帧上使用 iterrow()，则可以更改数据类型，这会导致很多问题。要保留数据类型，还可以使用 itertuples()。我们不会在这里详细讨论，因为我们要关注效率。你可以在这里找到官方文件：

apply()方法——快 811 倍

apply 本身并不快，但与数据帧结合使用时具有优势。这取决于应用表达式的内容。如果可以在 Cython 空间中执行，则速度会更快(在这里就是这种情况)。

我们可以将 apply 与 Lambda 函数一起使用。我们要做的就是指定轴。在这种情况下，我们必须使用 axis=1，因为我们要执行一个列操作：

此代码甚至比以前的方法更快，只需要 27 毫秒就能完成。

pandas 矢量化——快 9280 倍

现在我们可以讨论一个新话题了。我们利用矢量化的优点来创建真正快速的代码。重点是避免像前面的例子 [1] 中那样的 Python 级循环，并使用优化的 C 代码，这个代码使用内存的效率更高。我们只需要稍微修改函数：

1. df['Draws'] = 'No_Game'     
2.         df.loc[((home == TEAM) & (ftr == 'D')) | ((away == TEAM) & (ftr == 'D')), 'Draws'] = 'Draw'
3.        df.loc[((home == TEAM) & (ftr != 'D')) | ((away == TEAM) & (ftr != 'D')), 'Draws'] = 'No_Draw'  
4.        def soc_iter(TEAM,home,away,ftr):     

现在我们可以用 pandas series 作为输入创建新列：

在这种情况下，我们甚至不需要循环。我们要做的就是调整函数的内容。现在我们可以直接将 pandas series 传递给我们的函数，这会导致巨大的速度增益。

Numpy 矢量化——速度快 71.803 倍

在前面的示例中，我们将 pandas series 传递给了函数。通过添加.values，我们收到一个 Numpy 数组：

Numpy 数组非常快，我们的代码运行时间为 0305 毫秒，比开始使用的标准循环快 71803 倍。

结论

如果您使用 python、pandas 和 Numpy 进行数据分析，那么代码总会有一些改进空间。我们比较了五种不同的方法，在计算的基础上增加了一个新的列到我们的数据框架中。我们注意到在速度方面存在巨大差异：

如果你从这篇文章中选择两条规则，我会很高兴：

• 如果确定需要使用循环，则应始终选择 apply 方法
• 否则，矢量化总是更好的，因为它更快
  
   一般认为，一个数据结构是由数据元素依据某种逻辑联系组织起来的。对数据元素间逻辑关系的描述称为数据的逻辑结构；数据必须在计算机内存储，数据的存储结构是数据结构的实现形式，是其在计算机内的表示；此外讨论一个数据结构必须同时讨论在该类数据上执行的运算才有意义。一个逻辑数据结构可以有多种存储结构，且各种存储结构影响数据处理的效率。