数据修改主要以增删改差为主，这里比较几种写法在数据处理时间上的巨大差别。
数据量大概是500万行级别的数据，文件大小为100M。
1.iloc
iloc是一种速度极其慢的写法。这里我们对每个csv文件中的每一行循环再用iloc处理，示例代码如下：
|
1
2
|
for index in range(len(df)): df.iloc['attr'][index] = xxx |
使用这种方法对五百万行的数据进行处理大概需要5个小时，实在是很慢。
2.at
at相比于iloc有了很大的性能提升，也是for循环处理，示例代码如下：
|
1
2
3
4
5
|
for i in range(len(df)): if df.at[i,'attr'] > 0: sum_positive += df.at[i,'attr'] else: sum_negetive += df.at[i,'sttr'] |
在我的程序里at和iloc是可以通用的，用at，程序的速度会有大幅提高，大概10分钟，但是还不够。
3.apply(lambda x:...)
想说apply是因为我觉得for循环速度太慢，想在循环上对程序进行优化。然后网上有人说apply可以大幅度提升速度，然而经过测试发现在我的程序里，使用apply和for差不多吧，性能也一般。
4.直接用series处理
这才是真正优化for循环的方法，以上面at的程序为例，可以改写为：
|
1
2
|
sum_positive += df['attr'][df.attr > 0].sum()sum_negative += df['attr'][df.attr < 0].sum() |
将程序都改为series处理，快了很多，最后500万行的数据大概需要37秒能跑完，基本符合预期。
这里提两句关于dataframe属性筛选，也就是上面df.attr > 0这一部分。首先pandas这个属性筛选实在是很强大，很方便。
其次是我们属性筛选的时候不要去修改属性，而是修改后面的数字，比如，我们不要这样写：
float(df.attr )> 0，而是这样写：
df.attr > str(0)，因为df.attr作为属性是不能随便动的。
补充：pandas中DataFrame单个数据提取效率与修改效率
目标
使用pandas处理金融数据及建模中经常需要按时间序列顺序循DataFrame数据，读取具体位置的数据判断或修改。经验上这种操作要比直接对二维列表或者np.array格式数据慢的多，原因可能在于index及columns层次的查找（两个字典，都不是连续数组，每次查找定位都需要时间）和DataFrame中数据的内存布局，有机会以后再深入研究。
这里做一组数值实验对比几种方法的效率。
生成数据
先生成一个二维数组随机数作为DataFrame数据，不失一般性，并把列名、行名设为标记顺序的字符串。
|
1
2
3
4
5
6
7
8
9
10
11
|
import numpy as npimport pandas as pdfrom copy import deepcopyfrom time import timenp.random.seed(20000)I = 900df = pd.DataFrame(np.random.standard_normal((I, I)), columns=['c'+str(_) for _ in range(I)], index=['i'+str(_) for _ in range(I)]) |
然后从限定范围内随机生成取值位置，为了方便对比，把随机坐标与字符串名对应起来
|
1
2
3
4
5
|
columns_num = np.floor(np.random.uniform(0, 1, I) * I).astype(int)index_num = np.floor(np.random.uniform(0, 1, I) * I).astype(int)columns_str = ['c'+str(_) for _ in columns_num]index_str = ['i'+str(_) for _ in index_num] |
读取测试
首先传统方法，直接取columns及index中名称定位
|
1
2
3
4
5
6
7
|
t0 = time()for m in columns_str: for n in index_str: c = df[m][n]print(time()-t0)6.789840459823608 |
先columns列名后在values中取行坐标，速度快了一些
|
1
2
3
4
5
6
7
|
t0 = time()for m in columns_str: for n in index_num: c = df[m].values[n]print(time()-t0)1.9697318077087402 |
loc方法，速度和直接取columns及index中名称定位差不多
|
1
2
3
4
5
6
7
|
t0 = time()for m in columns_str: for n in index_str: c = df.loc[n, m]print(time()-t0)5.661889314651489 |
at方法，比loc快一点，毕竟loc可以切片的
|
1
2
3
4
5
6
7
|
t0 = time()for m in columns_str: for n in index_str: c = df.at[m, n]print(time()-t0)3.3770089149475098 |
假设知道具体横纵坐标后，我们再比较：
还是从取values开始，也很慢，看来每次从df中取values很耗时
|
1
2
3
4
5
6
7
|
t0 = time()for m in columns_num: for n in index_num: c = df.values[n][m]print(time()-t0)6.041872024536133 |
iloc试一下，没什么区别
|
1
2
3
4
5
6
7
|
t0 = time()for m in columns_num: for n in index_num: c = df.iloc[n, m]print(time()-t0)6.103677034378052 |
iat做对比，提升不大，有点失望
|
1
2
3
4
5
6
7
|
t0 = time()for m in columns_num: for n in index_num: c = df.iat[n, m]print(time()-t0)4.375299692153931 |
最后最高效的方法，还是先取二维数组来再定位
|
1
2
3
4
5
6
7
8
|
t0 = time()b = df.valuesfor m in columns_num: for n in index_num: c = b[n][m]print(time()-t0)0.6402544975280762 |
修改测试
重复刚才的过程，把对应值改为0作为简单测试方式，别忘了原始数据要备份
取columns及index中名称定位
|
1
2
3
4
5
6
7
8
|
df_backup = deepcopy(df)t0 = time()for m in columns_str: for n in index_str: df_backup[m][n] = 0.0print(time()-t0)41.99269938468933 |
先columns列名后在values中取行坐标
|
1
2
3
4
5
6
7
8
|
df_backup = deepcopy(df)t0 = time()for m in columns_str: for n in index_num: df_backup[m].values[n] = 0.0print(time()-t0)2.215076208114624 |
loc方法
|
1
2
3
4
5
6
7
8
|
df_backup = deepcopy(df)t0 = time()for m in columns_str: for n in index_str: df_backup.loc[n, m] = 0.0print(time()-t0)134.39290761947632 |
at方法，在修改数值上竟然比loc快这么多
|
1
2
3
4
5
6
7
8
|
df_backup = deepcopy(df)t0 = time()for m in columns_str: for n in index_str: df_backup.at[n, m] = 0.0print(time()-t0)4.7453413009643555 |
在values上改，也是不错的，和读取相近，看来还都是在每次提取values上耗时
|
1
2
3
4
5
6
7
8
|
df_backup = deepcopy(df)t0 = time()for m in columns_num: for n in index_num: df.values[n][m] = 0.0print(time()-t0)6.346027612686157 |
iloc方法
|
1
2
3
4
5
6
7
8
|
df_backup = deepcopy(df)t0 = time()for m in columns_num: for n in index_num: df.iloc[n, m] = 0.0print(time()-t0)122.33384037017822 |
iat方法
|
1
2
3
4
5
6
7
8
|
df_backup = deepcopy(df)t0 = time()for m in columns_num: for n in index_num: df.iat[n, m] = 0.0print(time()-t0)5.381632328033447 |
取二维数组来再定位
|
1
2
3
4
5
6
7
8
9
|
df_backup = deepcopy(df)t0 = time()b = df.valuesfor m in columns_num: for n in index_num: c = b[n][m]print(time()-t0)0.4298992156982422 |
总结
效率上肯定是直接取数值最优的，这次系统性比较做个记录。代码写的有点啰嗦了，不过方便复制实验。在建模级别的代码上我还是习惯于用第2种方法，主要是鉴于代码可读性、维护和修改上。代码会在key上告诉我这里是什么，直观易读。
以前也曾为了提高代码运行效率写过先提取二维数组的，但columns多了就很费劲，重读还需要转译一遍。当然也可以把数据写成类，但是感觉和pandas不好融合，从建模和研究效率上没有太好的解决方案。之后会找时间再研究DataFrame内部机制。
以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。如有错误或未考虑完全的地方，望不吝赐教。
原文链接：https://blog.csdn.net/weixin_37426504/article/details/81669829
