使用 Pandas 循环遍历数据框的最有效方法是什么？-IT科技

摘要：问题描述：我想按顺序对数据框中的财务数据执行我自己的复杂操作。例如，我正在使用来自Yahoo Finance的以下 MSFT CSV 文件：Date,Open,High,Low,Close,Volume,Adj Close 2011-10-19,27.37,27.47,27.01,27.13,42880000...

问题描述：

我想按顺序对数据框中的财务数据执行我自己的复杂操作。

例如，我正在使用来自Yahoo Finance的以下 MSFT CSV 文件：

Date,Open,High,Low,Close,Volume,Adj Close
2011-10-19,27.37,27.47,27.01,27.13,42880000,27.13
2011-10-18,26.94,27.40,26.80,27.31,52487900,27.31
2011-10-17,27.11,27.42,26.85,26.98,39433400,26.98
2011-10-14,27.31,27.50,27.02,27.27,50947700,27.27

....

然后我执行以下操作：

#!/usr/bin/env python
from pandas import *

df = read_csv('table.csv')

for i, row in enumerate(df.values):
    date = df.index[i]
    open, high, low, close, adjclose = row
    #now perform analysis on open/close based on date, etc..

这是最有效的方法吗？鉴于 pandas 注重速度，我认为必须有一些特殊的函数来迭代值，以便检索索引（可能通过生成器来提高内存效率）？df.iteritems不幸的是，只能逐列迭代。

解决方案 1：

最新版本的 pandas 现在包含一个用于迭代行的内置函数。

for index, row in df.iterrows():

    # do some logic here

或者，如果你想要更快，使用itertuples()

但是，unutbu 建议使用 numpy 函数来避免迭代行，这将产生最快的代码。

解决方案 2：

Pandas 基于 NumPy 数组。使用 NumPy 数组加速的关键是一次性对整个数组执行操作，而不是逐行或逐项执行。

例如，如果close是一维数组，并且你想要每日百分比变化，

pct_change = close[1:]/close[:-1]

这将计算整个百分比变化数组作为一个语句，而不是

pct_change = []
for row in close:
    pct_change.append(...)

因此，请尝试完全避免使用 Python 循环for i, row in enumerate(...)，并考虑如何对整个数组（或数据框）进行整体操作而不是逐行执行计算。

解决方案 3：

就像之前提到的，当一次性处理整个数组时，pandas 对象是最高效的。然而对于那些真正需要循环遍历 pandas DataFrame 来执行某些操作的人，比如我，我发现至少有三种方法可以做到这一点。我做了一个简短的测试，看看这三种方法中哪一种最省时。

t = pd.DataFrame({'a': range(0, 10000), 'b': range(10000, 20000)})
B = []
C = []
A = time.time()
for i,r in t.iterrows():
    C.append((r['a'], r['b']))
B.append(time.time()-A)

C = []
A = time.time()
for ir in t.itertuples():
    C.append((ir[1], ir[2]))    
B.append(time.time()-A)

C = []
A = time.time()
for r in zip(t['a'], t['b']):
    C.append((r[0], r[1]))
B.append(time.time()-A)

print B

结果：

[0.5639059543609619, 0.017839908599853516, 0.005645036697387695]

这可能不是衡量时间消耗的最佳方法，但对我来说很快。

在我看来，这里有一些优点和缺点：

.iterrows()：在单独的变量中返回索引和行项，但速度明显较慢
.itertuples()：比 .iterrows() 更快，但会与行项一起返回索引，ir[0] 是索引
zip：最快，但无法访问行的索引

编辑 2020/11/10

值得一提的是，这里有一个更新的基准测试，其中包含一些其他替代方案（使用 MacBookPro 2,4 GHz Intel Core i9 8 核 32 Go 2667 MHz DDR4 进行性能测试）

import sys
import tqdm
import time
import pandas as pd

B = []
t = pd.DataFrame({'a': range(0, 10000), 'b': range(10000, 20000)})
for _ in tqdm.tqdm(range(10)):
    C = []
    A = time.time()
    for i,r in t.iterrows():
        C.append((r['a'], r['b']))
    B.append({"method": "iterrows", "time": time.time()-A})

    C = []
    A = time.time()
    for ir in t.itertuples():
        C.append((ir[1], ir[2]))
    B.append({"method": "itertuples", "time": time.time()-A})

    C = []
    A = time.time()
    for r in zip(t['a'], t['b']):
        C.append((r[0], r[1]))
    B.append({"method": "zip", "time": time.time()-A})

    C = []
    A = time.time()
    for r in zip(*t.to_dict("list").values()):
        C.append((r[0], r[1]))
    B.append({"method": "zip + to_dict('list')", "time": time.time()-A})

    C = []
    A = time.time()
    for r in t.to_dict("records"):
        C.append((r["a"], r["b"]))
    B.append({"method": "to_dict('records')", "time": time.time()-A})

    A = time.time()
    t.agg(tuple, axis=1).tolist()
    B.append({"method": "agg", "time": time.time()-A})

    A = time.time()
    t.apply(tuple, axis=1).tolist()
    B.append({"method": "apply", "time": time.time()-A})

print(f'Python {sys.version} on {sys.platform}')
print(f"Pandas version {pd.__version__}")
print(
    pd.DataFrame(B).groupby("method").agg(["mean", "std"]).xs("time", axis=1).sort_values("mean")
)

## Output

Python 3.7.9 (default, Oct 13 2020, 10:58:24) 
[Clang 12.0.0 (clang-1200.0.32.2)] on darwin
Pandas version 1.1.4
                           mean       std
method                                   
zip + to_dict('list')  0.002353  0.000168
zip                    0.003381  0.000250
itertuples             0.007659  0.000728
to_dict('records')     0.025838  0.001458
agg                    0.066391  0.007044
apply                  0.067753  0.006997
iterrows               0.647215  0.019600

解决方案 4：

您可以通过转置然后调用 iteritems 来循环遍历行：

for date, row in df.T.iteritems():
   # do some logic here

在这种情况下，我不确定效率如何。为了在迭代算法中获得最佳性能，您可能需要探索在Cython中编写它，因此您可以执行以下操作：

def my_algo(ndarray[object] dates, ndarray[float64_t] open,
            ndarray[float64_t] low, ndarray[float64_t] high,
            ndarray[float64_t] close, ndarray[float64_t] volume):
    cdef:
        Py_ssize_t i, n
        float64_t foo
    n = len(dates)

    for i from 0 <= i < n:
        foo = close[i] - open[i] # will be extremely fast

我建议首先用纯 Python 编写算法，确保它有效并查看它的速度有多快 - 如果速度不够快，请像这样将其转换为 Cython，只需很少的工作就可以获得与手工编码的 C / C ++ 一样快的速度。

解决方案 5：

您有三个选择：

按索引（最简单）：

>>> for index in df.index:
...     print ("df[" + str(index) + "]['B']=" + str(df['B'][index]))

使用iterrows（最常用）：

>>> for index, row in df.iterrows():
...     print ("df[" + str(index) + "]['B']=" + str(row['B']))

使用itertuples（最快）：

>>> for row in df.itertuples():
...     print ("df[" + str(row.Index) + "]['B']=" + str(row.B))

三个选项显示如下内容：

df[0]['B']=125
df[1]['B']=415
df[2]['B']=23
df[3]['B']=456
df[4]['B']=189
df[5]['B']=456
df[6]['B']=12

来源：alphons.io

解决方案 6：

iterrows在注意到Nick Crawford 的答案后，我检查了一下，但发现它会产生 (index, Series) 元组。不确定哪种方法最适合您，但我最终使用该itertuples方法来解决我的问题，该方法会产生 (index, row_value1...) 元组。

还有iterkv，它遍历（列，系列）元组。

解决方案 7：

作为一个小小的补充，如果您有一个应用于单个列的复杂函数，您也可以执行应用：

http://pandas.pydata.org/pandas-docs/dev/ generated/pandas.DataFrame.apply.html

df[b] = df[a].apply(lambda col: do stuff with col here)

解决方案 8：

正如@joris指出的那样，iterrows比慢得多，itertuples并且itertuples比快大约 100 倍iterrows，并且我在具有 500 万条记录的 DataFrame 中测试了这两种方法的速度iterrows，结果是为 1200it/s，而 itertuples为 120000it/s。

如果使用itertuples，请注意 for 循环中的每个元素都是一个命名元组，因此要获取每列的值，可以参考以下示例代码

>>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},
                      index=['a', 'b'])
>>> df
   col1  col2
a     1   0.1
b     2   0.2
>>> for row in df.itertuples():
...     print(row.col1, row.col2)
...
1, 0.1
2, 0.2

解决方案 9：

当然，迭代数据框的最快方法是通过df.values(如您所做的那样) 或通过分别访问每列来访问底层 numpy ndarray df.column_name.values。由于您也想访问索引，因此可以使用df.index.values它。

index = df.index.values
column_of_interest1 = df.column_name1.values
...
column_of_interestk = df.column_namek.values

for i in range(df.shape[0]):
   index_value = index[i]
   ...
   column_value_k = column_of_interest_k[i]

不是 Pythonic？当然。但是速度很快。

如果你想从循环中榨取更多的能量，那么你需要研究一下cython。 Cython 会让你获得巨大的加速（比如 10 倍到 100 倍）。要获得最佳性能，请检查cython 的内存视图。

解决方案 10：

另一个建议是，如果行的子集具有共同的特征，则将 groupby 与矢量化计算相结合。

解决方案 11：

看看最后一个

t = pd.DataFrame({'a': range(0, 10000), 'b': range(10000, 20000)})
B = []
C = []
A = time.time()
for i,r in t.iterrows():
    C.append((r['a'], r['b']))
B.append(round(time.time()-A,5))

C = []
A = time.time()
for ir in t.itertuples():
    C.append((ir[1], ir[2]))    
B.append(round(time.time()-A,5))

C = []
A = time.time()
for r in zip(t['a'], t['b']):
    C.append((r[0], r[1]))
B.append(round(time.time()-A,5))

C = []
A = time.time()
for r in range(len(t)):
    C.append((t.loc[r, 'a'], t.loc[r, 'b']))
B.append(round(time.time()-A,5))

C = []
A = time.time()
[C.append((x,y)) for x,y in zip(t['a'], t['b'])]
B.append(round(time.time()-A,5))
B

0.46424
0.00505
0.00245
0.09879
0.00209

解决方案 12：

我认为循环 DataFrames 的最简单、最有效的方法是使用 numpy 和 numba。在这种情况下，循环在许多情况下可以与矢量化操作一样快。如果 numba 不是一个选项，那么普通的 numpy 可能是下一个最佳选择。正如多次指出的那样，您的默认设置应该是矢量化，但这个答案仅考虑了高效循环，无论出于何种原因，只要决定循环即可。

对于测试用例，我们使用@DSM 的答案中计算百分比变化的示例。这是一个非常简单的情况，实际上您不会编写循环来计算它，但因此它为计时矢量化方法与循环提供了合理的基准。

让我们用一个小型 DataFrame 设置这 4 种方法，然后我们将在下面更大的数据集上对它们进行计时。

import pandas as pd
import numpy as np
import numba as nb

df = pd.DataFrame( { 'close':[100,105,95,105] } )

pandas_vectorized = df.close.pct_change()[1:]

x = df.close.to_numpy()
numpy_vectorized = ( x[1:] - x[:-1] ) / x[:-1]
        
def test_numpy(x):
    pct_chng = np.zeros(len(x))
    for i in range(1,len(x)):
        pct_chng[i] = ( x[i] - x[i-1] ) / x[i-1]
    return pct_chng

numpy_loop = test_numpy(df.close.to_numpy())[1:]

@nb.jit(nopython=True)
def test_numba(x):
    pct_chng = np.zeros(len(x))
    for i in range(1,len(x)):
        pct_chng[i] = ( x[i] - x[i-1] ) / x[i-1]
    return pct_chng
    
numba_loop = test_numba(df.close.to_numpy())[1:]

以下是对具有 100,000 行的 DataFrame 的计时（使用 Jupyter 的%timeit函数执行的计时，为方便阅读而折叠为摘要表）：

pandas/vectorized   1,130 micro-seconds
numpy/vectorized      382 micro-seconds
numpy/looped       72,800 micro-seconds
numba/looped          455 micro-seconds

总结：对于像这种情况这样的简单情况，您可以选择（矢量化）pandas 以获得简单性和可读性，并使用（矢量化）numpy 以获得速度。如果您确实需要使用循环，请在 numpy 中执行。如果有 numba，请将其与 numpy 结合使用以获得额外的速度。在这种情况下，numpy + numba 几乎与矢量化 numpy 代码一样快。

其他详情：