Python 熊猫:DataFrame.mean()非常慢。如何更快地计算列的平均值?
我有一个相当大的CSV文件,它包含9917530行(没有标题)和54列。列是实数或整数,只有一列包含日期。文件上有几个空值,在我将其加载到pandasPython 熊猫:DataFrame.mean()非常慢。如何更快地计算列的平均值?,python,performance,pandas,dataframe,Python,Performance,Pandas,Dataframe,我有一个相当大的CSV文件,它包含9917530行(没有标题)和54列。列是实数或整数,只有一列包含日期。文件上有几个空值,在我将其加载到pandasDataFrame后,这些值被转换为nan,我的做法如下: import pandas as pd data = pd.read_csv('data.csv') 加载后,我认为这是非常快的,因为它需要大约30秒(几乎与使用Unix工具计算行数的时间相同wc),这个过程需要大约4Gb的RAM(磁盘上的文件大小:2.2GB。到目前为止还不错) 然后我
DataFrame
后,这些值被转换为nan
,我的做法如下:
import pandas as pd
data = pd.read_csv('data.csv')
加载后,我认为这是非常快的,因为它需要大约30秒(几乎与使用Unix工具计算行数的时间相同wc
),这个过程需要大约4Gb的RAM(磁盘上的文件大小:2.2GB。到目前为止还不错)
然后我试着做了以下几件事:
column_means = data.mean()
进程占用的内存很快增长到约22Gb。我还可以看到处理器(一个内核)非常非常忙-大约三个小时后,我停止了进程,因为我需要使用这台机器做其他事情。我有一台速度非常快的Linux PC-它有两个处理器,每个处理器有4个内核,所以总共有8个内核,32 Gb的RAM。我不敢相信计算列平均值会花费这么长时间
有人能解释一下为什么DataFrame.mean()
这么慢吗?更重要的是,计算这样一个文件的列平均值的更好方法是什么?我不是以最好的方式加载文件,我应该使用不同的函数而不是DataFrame.mean()
或者完全不同的工具吗
非常感谢
编辑。以下是df.info()
显示的内容:
<class 'pandas.core.frame.DataFrame'>
Int64Index: 9917530 entries, 0 to 9917529
Data columns (total 54 columns):
srch_id 9917530 non-null values
date_time 9917530 non-null values
site_id 9917530 non-null values
visitor_location_country_id 9917530 non-null values
visitor_hist_starrating 505297 non-null values
visitor_hist_adr_usd 507612 non-null values
prop_country_id 9917530 non-null values
prop_id 9917530 non-null values
prop_starrating 9917530 non-null values
prop_review_score 9902900 non-null values
prop_brand_bool 9917530 non-null values
prop_location_score1 9917530 non-null values
prop_location_score2 7739150 non-null values
prop_log_historical_price 9917530 non-null values
position 9917530 non-null values
price_usd 9917530 non-null values
promotion_flag 9917530 non-null values
srch_destination_id 9917530 non-null values
srch_length_of_stay 9917530 non-null values
srch_booking_window 9917530 non-null values
srch_adults_count 9917530 non-null values
srch_children_count 9917530 non-null values
srch_room_count 9917530 non-null values
srch_saturday_night_bool 9917530 non-null values
srch_query_affinity_score 635564 non-null values
orig_destination_distance 6701069 non-null values
random_bool 9917530 non-null values
comp1_rate 235806 non-null values
comp1_inv 254433 non-null values
comp1_rate_percent_diff 184907 non-null values
comp2_rate 4040633 non-null values
comp2_inv 4251538 non-null values
comp2_rate_percent_diff 1109847 non-null values
comp3_rate 3059273 non-null values
comp3_inv 3292221 non-null values
comp3_rate_percent_diff 944007 non-null values
comp4_rate 620099 non-null values
comp4_inv 692471 non-null values
comp4_rate_percent_diff 264213 non-null values
comp5_rate 4444294 non-null values
comp5_inv 4720833 non-null values
comp5_rate_percent_diff 1681006 non-null values
comp6_rate 482487 non-null values
comp6_inv 524145 non-null values
comp6_rate_percent_diff 193312 non-null values
comp7_rate 631077 non-null values
comp7_inv 713175 non-null values
comp7_rate_percent_diff 277838 non-null values
comp8_rate 3819043 non-null values
comp8_inv 3960388 non-null values
comp8_rate_percent_diff 1225707 non-null values
click_bool 9917530 non-null values
gross_bookings_usd 276592 non-null values
booking_bool 9917530 non-null values
dtypes: float64(34), int64(19), object(1)None
INT64索引:9917530个条目,0到9917529
数据列(共54列):
srch_id 9917530非空值
日期时间9917530非空值
站点id 9917530非空值
访客\位置\国家\ id 9917530非空值
访客历史记录505297个非空值
访客历史adr 507612美元非空值
prop_country_id 9917530非空值
项目id 9917530非空值
由9917530个非空值组成的项目
prop_review_分数9902900非空值
prop_brand_bool 9917530非空值
道具位置得分1 9917530非空值
道具位置评分2 7739150非空值
道具日志历史价格9917530非空值
位置9917530非空值
价格为9917530美元非空值
升级标志9917530非空值
srch_destination_id 9917530非空值
srch_length_of_stay 9917530非空值
srch_预订_窗口9917530非空值
srch_成人计数9917530非空值
srch_children_count 9917530非空值
srch_room_计数9917530非空值
srch_saturday_night_bool 9917530非空值
srch_查询_亲和性_分数635564非空值
起始\目的\距离6701069非空值
随机布尔9917530非空值
补偿率235806非空值
comp1_inv 254433非空值
补偿率百分比差异184907非空值
补偿率4040633非空值
comp2_inv 4251538非空值
补偿率百分比差异1109847非空值
补偿率3059273非空值
comp3_inv 3292221非空值
补偿率百分比差异944007非空值
补偿率6200099非空值
comp4_inv 692471非空值
补偿率百分比差异264213非空值
补偿率44294非空值
comp5_inv 4720833非空值
补偿率百分比差异1681006非空值
补偿率482487非空值
comp6_inv 524145非空值
补偿率百分比差异193312非空值
补偿率631077非空值
comp7_inv 713175非空值
补偿率百分比差异277838非空值
补偿率3819043非空值
comp8_inv 3960388非空值
补偿率百分比差异1225707非空值
单击\u bool 9917530非空值
总预订量276592美元非空值
booking_bool 9917530非空值
数据类型:float64(34)、int64(19)、object(1)无
这是一个大小类似的from,但没有对象列
In [10]: nrows = 10000000
In [11]: df = pd.concat([DataFrame(randn(int(nrows),34),columns=[ 'f%s' % i for i in range(34) ]),DataFrame(randint(0,10,size=int(nrows*19)).reshape(int(nrows),19),columns=[ 'i%s' % i for i in range(19) ])],axis=1)
In [12]: df.iloc[1000:10000,0:20] = np.nan
In [13]: df.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 10000000 entries, 0 to 9999999
Data columns (total 53 columns):
f0 9991000 non-null values
f1 9991000 non-null values
f2 9991000 non-null values
f3 9991000 non-null values
f4 9991000 non-null values
f5 9991000 non-null values
f6 9991000 non-null values
f7 9991000 non-null values
f8 9991000 non-null values
f9 9991000 non-null values
f10 9991000 non-null values
f11 9991000 non-null values
f12 9991000 non-null values
f13 9991000 non-null values
f14 9991000 non-null values
f15 9991000 non-null values
f16 9991000 non-null values
f17 9991000 non-null values
f18 9991000 non-null values
f19 9991000 non-null values
f20 10000000 non-null values
f21 10000000 non-null values
f22 10000000 non-null values
f23 10000000 non-null values
f24 10000000 non-null values
f25 10000000 non-null values
f26 10000000 non-null values
f27 10000000 non-null values
f28 10000000 non-null values
f29 10000000 non-null values
f30 10000000 non-null values
f31 10000000 non-null values
f32 10000000 non-null values
f33 10000000 non-null values
i0 10000000 non-null values
i1 10000000 non-null values
i2 10000000 non-null values
i3 10000000 non-null values
i4 10000000 non-null values
i5 10000000 non-null values
i6 10000000 non-null values
i7 10000000 non-null values
i8 10000000 non-null values
i9 10000000 non-null values
i10 10000000 non-null values
i11 10000000 non-null values
i12 10000000 non-null values
i13 10000000 non-null values
i14 10000000 non-null values
i15 10000000 non-null values
i16 10000000 non-null values
i17 10000000 non-null values
i18 10000000 non-null values
dtypes: float64(34), int64(19)
通过预转换为浮动,您可以获得2倍的加速(这意味着可以这样做,但以更一般的方式进行,因此速度较慢)
您的问题是对象列。Mean将尝试计算所有列,但由于对象列,所有内容都向上转换为object
dtype,因此计算效率不高
最好的办法就是这样做
df._get_numeric_data().mean()
有一个选项可以在较低级别执行此操作,但由于某些原因,我们不直接通过顶级函数(例如mean)支持此操作。我认为添加此参数会产生问题。但是默认情况下(不排除),问题可能是
False
。您可以尝试这样的操作-
pd.DataFrame(data.descripe())
我注意到这比我在数据帧上使用mean的情况要快您的数据类型可能定义不正确,show
df.info()
object
are应该只在字符串上(而不是在数字上)@Jeff谢谢,我添加了df.info()的输出
关于这个问题。我不太明白你所说的“应该只在字符串上(而不是在数字上)”是什么意思,你能解释一下吗?什么版本的pandas/numpy?我相信它们是最新的稳定版本。
In [15]: %timeit df.astype('float64').mean()
1 loops, best of 3: 9.45 s per loop
df._get_numeric_data().mean()