数据科学 IPython 笔记本 7.15 高性能 Pandas

# 7.15 高性能 Pandas：eval()和query()

原文：High-Performance Pandas: eval() and query() 译者：飞龙 协议：CC BY-NC-SA 4.0 本节是《Python 数据科学手册》（Python Data Science Handbook）的摘录。

我们在前面的章节中已经看到，PyData 技术栈的力量，建立在 NumPy 和 Pandas 通过直观语法，将基本操作推送到 C 的能力的基础上：例如 NumPy 中的向量化/广播操作，以及 Pandas 的分组类型操作。虽然这些抽象对于许多常见用例是高效且有效的，但它们通常依赖于临时中间对象的创建，这可能产生计算时间和内存使用的开销。

从版本 0.13（2014 年 1 月发布）开始，Pandas 包含一些实验性工具，允许你直接访问速度和 C 一样的操作，而无需昂贵的中间数组分配。这些是eval()和query()函数，它依赖于 Numexpr 包。在这个笔记本中，我们将逐步介绍它们的使用方法，并提供一些何时可以考虑使用它们的经验法则。

query()和eval()的动机：复合表达式

我们以前见过 NumPy 和 Pandas 支持快速向量化操作；例如，相加两个数组的元素时：

import numpy as np
rng = np.random.RandomState(42)
x = rng.rand(1000000)
y = rng.rand(1000000)
%timeit x + y

# 100 loops, best of 3: 3.39 ms per loop

正如“NumPy 数组的计算：通用函数”中所讨论的，这比通过 Python 循环或推导式执行加法要快得多：

%timeit np.fromiter((xi + yi for xi, yi in zip(x, y)), dtype=x.dtype, count=len(x))

# 1 loop, best of 3: 266 ms per loop

但是在计算复合表达式时，这种抽象可能变得不那么有效。例如，请考虑以下表达式：

mask = (x > 0.5) & (y < 0.5)

因为 NumPy 会计算每个子表达式，所以大致相当于以下内容：

tmp1 = (x > 0.5)
tmp2 = (y < 0.5)
mask = tmp1 & tmp2

换句话说，每个中间步骤都在内存中明确分配。如果x和y数组非常大，这可能会产生大量内存和计算开销。Numexpr 库使你能够逐元素计算这种类型的复合表达式，而无需分配完整的中间数组。Numexpr 文档有更多细节，但暂时可以说，这个库接受字符串，它提供了你想要计算的 NumPy 风格的表达式：

import numexpr
mask_numexpr = numexpr.evaluate('(x > 0.5) & (y < 0.5)')
np.allclose(mask, mask_numexpr)

# True

这里的好处是，Numexpr 以不使用完整临时数组的方式计算表达式，因此可以比 NumPy 更有效，特别是对于大型数组。我们将在这里讨论的 Pandas eval()和query()工具，在概念上是相似的，并且依赖于 Numexpr 包。

用于高效操作的pandas.eval()

Pandas 中的eval()函数接受字符串表达式，来使用DataFrame高效地计算操作。例如，考虑以下DataFrame：

import pandas as pd
nrows, ncols = 100000, 100
rng = np.random.RandomState(42)
df1, df2, df3, df4 = (pd.DataFrame(rng.rand(nrows, ncols))
                      for i in range(4))

要使用典型的 Pandas 方法计算所有四个DataFrame的和，我们可以写出总和：

%timeit df1 + df2 + df3 + df4

# 10 loops, best of 3: 87.1 ms per loop

通过将表达式构造为字符串，可以通过pd.eval计算相同的结果：

%timeit pd.eval('df1 + df2 + df3 + df4')

# 10 loops, best of 3: 42.2 ms per loop

这个表达式的eval()版本速度提高了约 50%（并且使用的内存更少），同时给出了相同的结果：

np.allclose(df1 + df2 + df3 + df4,
            pd.eval('df1 + df2 + df3 + df4'))
            
# True

pd.eval()所支持的操作

从 Pandas v0.16 开始，pd.eval()支持广泛的操作。为了演示这些，我们将使用以下整数DataFrame：

df1, df2, df3, df4, df5 = (pd.DataFrame(rng.randint(0, 1000, (100, 3)))
                           for i in range(5))

算术运算符

pd.eval()支持所有算术运算符，例如：

result1 = -df1 * df2 / (df3 + df4) - df5
result2 = pd.eval('-df1 * df2 / (df3 + df4) - df5')
np.allclose(result1, result2)

# True

比较运算符

pd.eval()支持所有比较运算符，包括链式表达式：

result1 = (df1 < df2) & (df2 <= df3) & (df3 != df4)
result2 = pd.eval('df1 < df2 <= df3 != df4')
np.allclose(result1, result2)

# True

按位运算符

pd.eval()支持&和|按位运算符：

result1 = (df1 < 0.5) & (df2 < 0.5) | (df3 < df4)
result2 = pd.eval('(df1 < 0.5) & (df2 < 0.5) | (df3 < df4)')
np.allclose(result1, result2)

# True

另外，它支持在布尔表达式中使用字面and和or：

result3 = pd.eval('(df1 < 0.5) and (df2 < 0.5) or (df3 < df4)')
np.allclose(result1, result3)

# True

对象属性和索引

pd.eval()支持通过obj.attr语法访问对象属性，和通过obj[index]语法进行索引：

result1 = df2.T[0] + df3.iloc[1]
result2 = pd.eval('df2.T[0] + df3.iloc[1]')
np.allclose(result1, result2)

# True

其它运算符

其他操作，如函数调用，条件语句，循环和其他更复杂的结构，目前都没有在pd.eval()中实现。如果你想执行这些更复杂的表达式，可以使用 Numexpr 库本身。

用于逐列运算的DataFrame.eval()

就像 Pandas 有顶级的pd.eval()函数一样，DataFrame有eval()方法，它的工作方式类似。eval()方法的好处是列可以通过名称引用。我们将使用这个带标签的数组作为示例：

df = pd.DataFrame(rng.rand(1000, 3), columns=['A', 'B', 'C'])
df.head()

使用上面的pd.eval()，我们可以像这样使用三列来计算表达式：

result1 = (df['A'] + df['B']) / (df['C'] - 1)
result2 = pd.eval("(df.A + df.B) / (df.C - 1)")
np.allclose(result1, result2)

# True

DataFrame.eval()方法允许使用列来更简洁地求解表达式：

result3 = df.eval('(A + B) / (C - 1)')
np.allclose(result1, result3)

# True

请注意，我们将列名称视为要求解的表达式中的变量，结果是我们希望的结果。

DataFrame.eval()中的赋值

除了刚才讨论的选项之外，DataFrame.eval()还允许赋值给任何列。让我们使用之前的DataFrame，它有列A，B和C：

df.head()

我们可以使用df.eval()创建一个新列'D'并为其赋一个从其他列计算的值：

df.eval('D = (A + B) / C', inplace=True)
df.head()

以同样的方式，可以修改任何现有列：

df.eval('D = (A - B) / C', inplace=True)
df.head()

DataFrame.eval()中的局部变量

DataFrame.eval()方法支持一种额外的语法，可以使用 Python 局部变量。考虑以下：

column_mean = df.mean(1)
result1 = df['A'] + column_mean
result2 = df.eval('A + @column_mean')
np.allclose(result1, result2)

# True

这里的@字符标记变量名而不是列名，并允许你高效计算涉及两个“名称空间”的表达式：列的名称空间和 Python 对象的名称空间。请注意，这个@字符仅由DataFrame.eval()方法支持，不由pandas.eval()函数支持，因为pandas.eval ()函数只能访问一个（Python）命名空间。

DataFrame.query()方法

DataFrame有另一种基于字符串的求值方法，称为query()方法。考虑以下：

result1 = df[(df.A < 0.5) & (df.B < 0.5)]
result2 = pd.eval('df[(df.A < 0.5) & (df.B < 0.5)]')
np.allclose(result1, result2)

# True

与我们讨论DataFrame.eval()时使用的示例一样，这是一个涉及DataFrame列的表达式。但是，无法使用DataFrame.eval()语法表达它！相反，对于这种类型的过滤操作，你可以使用query()方法：

result2 = df.query('A < 0.5 and B < 0.5')
np.allclose(result1, result2)

# True

除了作为更有效的计算之外，与掩码表达式相比，这更容易阅读和理解。注意query()方法也接受@标志来标记局部变量：

Cmean = df['C'].mean()
result1 = df[(df.A < Cmean) & (df.B < Cmean)]
result2 = df.query('A < @Cmean and B < @Cmean')
np.allclose(result1, result2)

# True

性能：什么时候使用这些函数

在考虑是否使用这些函数时，有两个注意事项：计算时间和内存使用。内存使用是最可预测的方面。 如前所述，涉及 NumPy 数组或 Pandas DataFrame的每个复合表达式，都会产生隐式创建的临时数组：例如，这个：

x = df[(df.A < 0.5) & (df.B < 0.5)]

大致相当于这个：

tmp1 = df.A < 0.5
tmp2 = df.B < 0.5
tmp3 = tmp1 & tmp2
x = df[tmp3]

如果临时DataFrame的大小与可用的系统内存（通常是几千兆字节）相比很大，那么使用eval()或query()表达式是个好主意。你可以使用以下方法检查数组的大致大小（以字节为单位）：

df.values.nbytes

# 32000

在性能方面，即使你没有超出你的系统内存，eval()也会更快。问题是你的临时DataFrame与系统上的 L1 或 L2 CPU 缓存的大小相比（2016 年通常为几兆字节）如何；如果它们更大，那么eval()可以避免不同内存缓存之间的某些值移动，它们可能很慢。

在实践中，我发现传统方法和eval/query方法之间的计算时间差异，通常不大 - 如果有的话，传统方法对于较小的数组来说更快！eval/query的好处主要在于节省的内存，以及它们提供的有时更清晰的语法。

我们已经涵盖了eval()和query()的大部分细节；对于这些的更多信息，你可以参考 Pandas 文档。特别是，可以指定执行这些查询的不同解析器和引擎；详细信息请参阅“提升性能”部分中的讨论。