最近有两位小伙伴跟我说,网上看到一篇文章说,在 python 中使用 pandas 连接两个表,别用 merge ,要使用 join,因为在大量数据的情况下 join 比 merge 要快4到5倍。
其实这说法我一听就知道是错误的。不过当时没有具体证据支持,所以我也没有下具体结论。
今天,我就从源码的角度,给大家一个参考依据。
当然,本文你还会学到一些代码调试技巧,还会看到一些 pandas 的优化手段。
那篇文章中的测试大概如下:
import pandas as pd
import numpy as np
from time import time
high = 1000
rows_list = [(i + 1) * 1_000_000 for i in range(10)]
n_columns = 4
repeat = 5
def create_df(n_rows, n_columns, col_names):
data = np.random.randint(low=-high, high=high, size=(n_rows, n_columns))
index_col = np.arange(0, n_rows)
np.random.shuffle(index_col)
data = pd.DataFrame(data, columns=col_names, dtype=np.int16)
data["idx"] = index_col
return data
for n_rows in [10_000_000]:
sum_time_merge1 = 0
sum_time_merge2 = 0
for _ in range(repeat):
df1 = create_df(n_rows, n_columns, [f"col_{i}" for i in range(n_columns)])
df2 = create_df(n_rows, n_columns, [f"Col_{i}" for i in range(n_columns)])
# merge
start = time()
df = pd.merge(df1, df2, how="left",left_on = 'col_0',right_on='Col_0')
sum_time_merge1 += time() - start
## join
start = time()
df1.set_index("idx", inplace=True)
df2.set_index("idx", inplace=True)
df = df1.join(df2)
sum_time_merge2 += time() - start
result.append([df1.shape[0], sum_time_merge1 / repeat, sum_time_merge2 / repeat])
print(pd.DataFrame(result, columns=["行数", "merge耗时(秒)", "join耗时(秒)"]))
看看结果:
嗯?还真快了这么多!
但是为什么我一开始听到这说法,不用做任何的实验,就觉得这观点有问题?
其实道理很简单。
假如今天你实现了一个功能函数:
明天,你需要实现另一个功能很接近的函数,只不过输入的不是列表,而是2个具体的数值。显然你会想着调用之前的函数:
同样道理,join 函数明显是 merge 函数的一个特例。pandas 的设计者不会傻到用两套不一样的方式实现它们。
但是,别人给出来的实验结果确确实实反应了它们的差异。
接下来,我们就看看它们实现的源码。
首先,新建一个 python 文件,把代码设置得简单一些。
打开调试窗口,点击创建 python 的调试配置。
justMyCode
为 false 。这样子我们才能进入 pandas 源码里面接着,在 merge 函数那一行打开一个断点
执行调试
代码会停在断点的行,接着我们要点击控制菜单中的下一步(也可以用快捷键)。
可以看到,merge 函数实际调用的是 pandas.core.reshape.merge.merge
,暂时不深入
如果你看过我之前关于类定义的文章,那么不用看里面的实现也知道,这里只不过实例化了一个对象,记录了一些相关数据而已,重要的是下方的 get result 函数
同样道理,调试 join 函数
咦?它的实现与 merge 不一样?别急,继续执行,直到
进入一看,又跳回到之前 merge 函数的实现
从左侧的调用堆栈中可以看到调用顺序:
你可以点击调用堆栈中的一行,代码会跳回去,就连当时执行中的所有变量的值都可以查看
简单列一下大概的调用图:
所以现在我们知道,join 函数其实比 merge 函数执行更多的代码。
但是,之前的实验数据不是很好说明了 join 比 merge 快呀,为什么?
按调试流程,我们进入之前看到的 op.get result 函数里面:
进入这个 self._get_join_info()
里面:
可以看到许多关于 left index 和 right index 参数的判断。但是 我们使用 merge 的时候根本没有设置这两个参数,它们都是 False。
结果就会进入这段代码:
这是一个 python 的遍历代码,一个个去匹配 key 值
而 join 函数执行的却是:
了解这些要点,相信聪明的你也知道要这样子修改实验代码:
但是,结果却出乎意料!!
对比一下之前的时间:
解释一下差异:
但是,为什么 merge 耗时仍然比 join 要慢很多?
此时,我们把实验代码中执行 merge 和 join 的先后顺序调换一下:
看看结果:
现在,结论截然相反!
为什么?显然,有什么东西在第二次运行的时候,得到了优化。
在之前的源码调试中,我们得知,其实两个表按行索引关联,最核心的计算就是行索引对象的 join 函数。
按这个原理以及之前的调试方式,可以找到一个属性。具体过程我就不再啰嗦了,直接给出验证结果:
在 join 的过程中,有一个判断逻辑,如果行索引的值都是唯一的,那么会进行一些操作。
直接看看它的源码
缓存了结果。
道理很简单, pandas 怎么可以知道一个行索引的值是否唯一?显然要遍历一次数据。这个过程在大量数据的时候成本很高。由于索引对象是不可变的,所以可以缓存结果。
那么,现在我们修正一下测试实验的代码,让它公平对待:
现在的结果是:
很多小伙伴问我怎么学习 pandas 。正如我专栏里面的思路,集中学习少数核心常用的函数和原理,你的学习之路才能事半功倍。