_pandas.Series
_を含む整数がありますが、一部のダウンストリームツールでこれらを文字列に変換する必要があります。したがって、Series
オブジェクトがあるとします。
_import numpy as np
import pandas as pd
x = pd.Series(np.random.randint(0, 100, 1000000))
_
StackOverflowや他のウェブサイトでは、ほとんどの人がこれを行う最善の方法は次のとおりであると主張しているのを見てきました。
_%% timeit
x = x.astype(str)
_
これには約2秒かかります。
x = x.apply(str)
を使用すると、0.2秒しかかかりません。
x.astype(str)
がとても遅いのはなぜですか?推奨される方法はx.apply(str)
ですか?
私は主にpython 3のこの動作について興味があります。
パフォーマンス
世論に反して、list(map(str, x))
はx.apply(str)
より遅いように見えるため、調査を始める前に実際のパフォーマンスを確認する価値があります。
_import pandas as pd, numpy as np
### Versions: Pandas 0.20.3, Numpy 1.13.1, Python 3.6.2 ###
x = pd.Series(np.random.randint(0, 100, 100000))
%timeit x.apply(str) # 42ms (1)
%timeit x.map(str) # 42ms (2)
%timeit x.astype(str) # 559ms (3)
%timeit [str(i) for i in x] # 566ms (4)
%timeit list(map(str, x)) # 536ms (5)
%timeit x.values.astype(str) # 25ms (6)
_
注目に値するポイント:
lambda
関数が使用されないと想定]。なぜx.map/x.applyは速いのですか?
これは、高速な コンパイルされたCythonコード を使用しているため、のように見えます。
_cpdef ndarray[object] astype_str(ndarray arr):
cdef:
Py_ssize_t i, n = arr.size
ndarray[object] result = np.empty(n, dtype=object)
for i in range(n):
# we can use the unsafe version because we know `result` is mutable
# since it was created from `np.empty`
util.set_value_at_unsafe(result, i, str(arr[i]))
return result
_
x.astype(str)が遅いのはなぜですか?
パンダは、上記のCythonを使用せずに、シリーズの各アイテムにstr
を適用します。
したがって、パフォーマンスは[str(i) for i in x]
/list(map(str, x))
に匹敵します。
なぜx.values.astype(str)がそんなに速いのですか?
Numpyは、配列の各要素に関数を適用しません。 1つの説明 これが見つかった:
s.values.astype(str)
を実行すると、int
を保持するオブジェクトが返されます。これはnumpy
が変換を行うのに対し、pandasは各項目を反復処理し、その項目でstr(item)
を呼び出します。したがって、s.astype(str)
str
を保持するオブジェクトがあります。
技術的な理由があります numpyバージョンが実装されていない理由 nullがない場合。
少し一般的なアドバイスから始めましょう:Pythonコードのボトルネックを見つけることに興味がある場合は、プロファイラーを使用して、ほとんどの時間を消費する関数/部品を見つけることができます。この場合、実際に実装と各ラインで費やされた時間を確認できるため、ラインプロファイラを使用します。
ただし、これらのツールはデフォルトではCまたはCythonでは動作しません。 CPython(Pythonインタプリタです)、NumPyとpandasはCとCythonを多用します)を考えると、制限はありますプロファイリングで取得します。
実際には、おそらくプロファイリングをデバッグシンボルとトレースで再コンパイルすることにより、CythonコードとCコードに拡張できますが、これらのライブラリをコンパイルするのは簡単な作業ではないので、私はそれをしません(ただし、誰かがそうしたい場合 Cythonのドキュメントには、Cythonコードのプロファイリングに関するページが含まれています )。
しかし、私がどこまで到達できるか見てみましょう:
ここでは line-profiler とJupyter Notebookを使用します。
_%load_ext line_profiler
import numpy as np
import pandas as pd
x = pd.Series(np.random.randint(0, 100, 100000))
_
x.astype
__%lprun -f x.astype x.astype(str)
_
_Line # Hits Time Per Hit % Time Line Contents
==============================================================
87 @wraps(func)
88 def wrapper(*args, **kwargs):
89 1 12 12.0 0.0 old_arg_value = kwargs.pop(old_arg_name, None)
90 1 5 5.0 0.0 if old_arg_value is not None:
91 if mapping is not None:
...
118 1 663354 663354.0 100.0 return func(*args, **kwargs)
_
つまり、これは単にデコレータであり、時間の100%が装飾された関数に費やされます。装飾された関数をプロファイルしてみましょう:
_%lprun -f x.astype.__wrapped__ x.astype(str)
_
_Line # Hits Time Per Hit % Time Line Contents
==============================================================
3896 @deprecate_kwarg(old_arg_name='raise_on_error', new_arg_name='errors',
3897 mapping={True: 'raise', False: 'ignore'})
3898 def astype(self, dtype, copy=True, errors='raise', **kwargs):
3899 """
...
3975 """
3976 1 28 28.0 0.0 if is_dict_like(dtype):
3977 if self.ndim == 1: # i.e. Series
...
4001
4002 # else, only a single dtype is given
4003 1 14 14.0 0.0 new_data = self._data.astype(dtype=dtype, copy=copy, errors=errors,
4004 1 685863 685863.0 99.9 **kwargs)
4005 1 340 340.0 0.0 return self._constructor(new_data).__finalize__(self)
_
ここでも1行がボトルネックなので、__data.astype
_メソッドを確認してみましょう。
_%lprun -f x._data.astype x.astype(str)
_
_Line # Hits Time Per Hit % Time Line Contents
==============================================================
3461 def astype(self, dtype, **kwargs):
3462 1 695866 695866.0 100.0 return self.apply('astype', dtype=dtype, **kwargs)
_
では、別のデリゲート、__data.apply
_の機能を見てみましょう。
_%lprun -f x._data.apply x.astype(str)
_
_Line # Hits Time Per Hit % Time Line Contents
==============================================================
3251 def apply(self, f, axes=None, filter=None, do_integrity_check=False,
3252 consolidate=True, **kwargs):
3253 """
...
3271 """
3272
3273 1 12 12.0 0.0 result_blocks = []
...
3309
3310 1 10 10.0 0.0 aligned_args = dict((k, kwargs[k])
3311 1 29 29.0 0.0 for k in align_keys
3312 if hasattr(kwargs[k], 'reindex_axis'))
3313
3314 2 28 14.0 0.0 for b in self.blocks:
...
3329 1 674974 674974.0 100.0 applied = getattr(b, f)(**kwargs)
3330 1 30 30.0 0.0 result_blocks = _extend_blocks(applied, result_blocks)
3331
3332 1 10 10.0 0.0 if len(result_blocks) == 0:
3333 return self.make_empty(axes or self.axes)
3334 1 10 10.0 0.0 bm = self.__class__(result_blocks, axes or self.axes,
3335 1 76 76.0 0.0 do_integrity_check=do_integrity_check)
3336 1 13 13.0 0.0 bm._consolidate_inplace()
3337 1 7 7.0 0.0 return bm
_
繰り返しますが、1つの関数呼び出しが常にかかっています。今回は_x._data.blocks[0].astype
_です。
_%lprun -f x._data.blocks[0].astype x.astype(str)
_
_Line # Hits Time Per Hit % Time Line Contents
==============================================================
542 def astype(self, dtype, copy=False, errors='raise', values=None, **kwargs):
543 1 18 18.0 0.0 return self._astype(dtype, copy=copy, errors=errors, values=values,
544 1 671092 671092.0 100.0 **kwargs)
_
..これは別のデリゲートです...
_%lprun -f x._data.blocks[0]._astype x.astype(str)
_
_Line # Hits Time Per Hit % Time Line Contents
==============================================================
546 def _astype(self, dtype, copy=False, errors='raise', values=None,
547 klass=None, mgr=None, **kwargs):
548 """
...
557 """
558 1 11 11.0 0.0 errors_legal_values = ('raise', 'ignore')
559
560 1 8 8.0 0.0 if errors not in errors_legal_values:
561 invalid_arg = ("Expected value of kwarg 'errors' to be one of {}. "
562 "Supplied value is '{}'".format(
563 list(errors_legal_values), errors))
564 raise ValueError(invalid_arg)
565
566 1 23 23.0 0.0 if inspect.isclass(dtype) and issubclass(dtype, ExtensionDtype):
567 msg = ("Expected an instance of {}, but got the class instead. "
568 "Try instantiating 'dtype'.".format(dtype.__name__))
569 raise TypeError(msg)
570
571 # may need to convert to categorical
572 # this is only called for non-categoricals
573 1 72 72.0 0.0 if self.is_categorical_astype(dtype):
...
595
596 # astype processing
597 1 16 16.0 0.0 dtype = np.dtype(dtype)
598 1 19 19.0 0.0 if self.dtype == dtype:
...
603 1 8 8.0 0.0 if klass is None:
604 1 13 13.0 0.0 if dtype == np.object_:
605 klass = ObjectBlock
606 1 6 6.0 0.0 try:
607 # force the copy here
608 1 7 7.0 0.0 if values is None:
609
610 1 8 8.0 0.0 if issubclass(dtype.type,
611 1 14 14.0 0.0 (compat.text_type, compat.string_types)):
612
613 # use native type formatting for datetime/tz/timedelta
614 1 15 15.0 0.0 if self.is_datelike:
615 values = self.to_native_types()
616
617 # astype formatting
618 else:
619 1 8 8.0 0.0 values = self.values
620
621 else:
622 values = self.get_values(dtype=dtype)
623
624 # _astype_nansafe works fine with 1-d only
625 1 665777 665777.0 99.9 values = astype_nansafe(values.ravel(), dtype, copy=True)
626 1 32 32.0 0.0 values = values.reshape(self.shape)
627
628 1 17 17.0 0.0 newb = make_block(values, placement=self.mgr_locs, dtype=dtype,
629 1 269 269.0 0.0 klass=klass)
630 except:
631 if errors == 'raise':
632 raise
633 newb = self.copy() if copy else self
634
635 1 8 8.0 0.0 if newb.is_numeric and self.is_numeric:
...
642 1 6 6.0 0.0 return newb
_
...大丈夫、まだそこにはありません。 _astype_nansafe
_を見てみましょう:
_%lprun -f pd.core.internals.astype_nansafe x.astype(str)
_
_Line # Hits Time Per Hit % Time Line Contents
==============================================================
640 def astype_nansafe(arr, dtype, copy=True):
641 """ return a view if copy is False, but
642 need to be very careful as the result shape could change! """
643 1 13 13.0 0.0 if not isinstance(dtype, np.dtype):
644 dtype = pandas_dtype(dtype)
645
646 1 8 8.0 0.0 if issubclass(dtype.type, text_type):
647 # in Py3 that's str, in Py2 that's unicode
648 1 663317 663317.0 100.0 return lib.astype_unicode(arr.ravel()).reshape(arr.shape)
...
_
繰り返しになりますが、100%を占めるのは1行なので、次の1つの関数に進みます。
_%lprun -f pd.core.dtypes.cast.lib.astype_unicode x.astype(str)
UserWarning: Could not extract a code object for the object <built-in function astype_unicode>
_
OK、_built-in function
_が見つかりました。これは、C関数であることを意味します。この場合、それはCython関数です。しかし、それはラインプロファイラーで深く掘り下げることができないことを意味します。とりあえずここで止めます。
x.apply
__%lprun -f x.apply x.apply(str)
_
_Line # Hits Time Per Hit % Time Line Contents
==============================================================
2426 def apply(self, func, convert_dtype=True, args=(), **kwds):
2427 """
...
2523 """
2524 1 84 84.0 0.0 if len(self) == 0:
2525 return self._constructor(dtype=self.dtype,
2526 index=self.index).__finalize__(self)
2527
2528 # dispatch to agg
2529 1 11 11.0 0.0 if isinstance(func, (list, dict)):
2530 return self.aggregate(func, *args, **kwds)
2531
2532 # if we are a string, try to dispatch
2533 1 12 12.0 0.0 if isinstance(func, compat.string_types):
2534 return self._try_aggregate_string_function(func, *args, **kwds)
2535
2536 # handle ufuncs and lambdas
2537 1 7 7.0 0.0 if kwds or args and not isinstance(func, np.ufunc):
2538 f = lambda x: func(x, *args, **kwds)
2539 else:
2540 1 6 6.0 0.0 f = func
2541
2542 1 154 154.0 0.1 with np.errstate(all='ignore'):
2543 1 11 11.0 0.0 if isinstance(f, np.ufunc):
2544 return f(self)
2545
2546 # row-wise access
2547 1 188 188.0 0.1 if is_extension_type(self.dtype):
2548 mapped = self._values.map(f)
2549 else:
2550 1 6238 6238.0 3.3 values = self.asobject
2551 1 181910 181910.0 95.5 mapped = lib.map_infer(values, f, convert=convert_dtype)
2552
2553 1 28 28.0 0.0 if len(mapped) and isinstance(mapped[0], Series):
2554 from pandas.core.frame import DataFrame
2555 return DataFrame(mapped.tolist(), index=self.index)
2556 else:
2557 1 19 19.0 0.0 return self._constructor(mapped,
2558 1 1870 1870.0 1.0 index=self.index).__finalize__(self)
_
繰り返しますが、これはほとんどの時間を費やす1つの関数です:_lib.map_infer
_ ...
_%lprun -f pd.core.series.lib.map_infer x.apply(str)
_
_Could not extract a code object for the object <built-in function map_infer>
_
さて、それは別のCython関数です。
今回は〜3%の別の(それほど重要ではありませんが)貢献者がいます:_values = self.asobject
_。ただし、主要な貢献者に関心があるため、ここでは無視します。
astype
によって呼び出される関数これは_astype_unicode
_関数です:
_cpdef ndarray[object] astype_unicode(ndarray arr):
cdef:
Py_ssize_t i, n = arr.size
ndarray[object] result = np.empty(n, dtype=object)
for i in range(n):
# we can use the unsafe version because we know `result` is mutable
# since it was created from `np.empty`
util.set_value_at_unsafe(result, i, unicode(arr[i]))
return result
_
この関数はこのヘルパーを使用します:
_cdef inline set_value_at_unsafe(ndarray arr, object loc, object value):
cdef:
Py_ssize_t i, sz
if is_float_object(loc):
casted = int(loc)
if casted == loc:
loc = casted
i = <Py_ssize_t> loc
sz = cnp.PyArray_SIZE(arr)
if i < 0:
i += sz
Elif i >= sz:
raise IndexError('index out of bounds')
assign_value_1d(arr, i, value)
_
これ自体がこのC関数を使用します。
_PANDAS_INLINE int assign_value_1d(PyArrayObject* ap, Py_ssize_t _i,
PyObject* v) {
npy_intp i = (npy_intp)_i;
char* item = (char*)PyArray_DATA(ap) + i * PyArray_STRIDE(ap, 0);
return PyArray_DESCR(ap)->f->setitem(v, item, ap);
}
_
apply
によって呼び出される関数これは_map_infer
_関数の実装です:
_def map_infer(ndarray arr, object f, bint convert=1):
cdef:
Py_ssize_t i, n
ndarray[object] result
object val
n = len(arr)
result = np.empty(n, dtype=object)
for i in range(n):
val = f(util.get_value_at(arr, i))
# unbox 0-dim arrays, GH #690
if is_array(val) and PyArray_NDIM(val) == 0:
# is there a faster way to unbox?
val = val.item()
result[i] = val
if convert:
return maybe_convert_objects(result,
try_float=0,
convert_datetime=0,
convert_timedelta=0)
return result
_
このヘルパーで:
_cdef inline object get_value_at(ndarray arr, object loc):
cdef:
Py_ssize_t i, sz
int casted
if is_float_object(loc):
casted = int(loc)
if casted == loc:
loc = casted
i = <Py_ssize_t> loc
sz = cnp.PyArray_SIZE(arr)
if i < 0 and sz > 0:
i += sz
Elif i >= sz or sz == 0:
raise IndexError('index out of bounds')
return get_value_1d(arr, i)
_
このC関数を使用するもの:
_PANDAS_INLINE PyObject* get_value_1d(PyArrayObject* ap, Py_ssize_t i) {
char* item = (char*)PyArray_DATA(ap) + i * PyArray_STRIDE(ap, 0);
return PyArray_Scalar(item, PyArray_DESCR(ap), (PyObject*)ap);
}
_
最終的に呼び出されるCythonコードにはいくつかの違いがあります。
astype
が取得したものはunicode
を使用し、apply
パスは渡された関数を使用します。違いがあるかどうかを確認します(ここでもIPython/Jupyterを使用すると、コンパイルが非常に簡単になりますCythonコードを自分で):
_%load_ext cython
%%cython
import numpy as np
cimport numpy as np
cpdef object func_called_by_astype(np.ndarray arr):
cdef np.ndarray[object] ret = np.empty(arr.size, dtype=object)
for i in range(arr.size):
ret[i] = unicode(arr[i])
return ret
cpdef object func_called_by_apply(np.ndarray arr, object f):
cdef np.ndarray[object] ret = np.empty(arr.size, dtype=object)
for i in range(arr.size):
ret[i] = f(arr[i])
return ret
_
タイミング:
_import numpy as np
arr = np.random.randint(0, 10000, 1000000)
%timeit func_called_by_astype(arr)
514 ms ± 11.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit func_called_by_apply(arr, str)
632 ms ± 43.5 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
_
さて、違いがありますが、それは間違っている、実際にはapply
がわずかに遅いことを示します。
しかし、先にasobject
関数で述べたapply
呼び出しを覚えていますか?それが理由でしょうか?どれどれ:
_import numpy as np
arr = np.random.randint(0, 10000, 1000000)
%timeit func_called_by_astype(arr)
557 ms ± 33.1 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit func_called_by_apply(arr.astype(object), str)
317 ms ± 13.5 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
_
今では良く見えます。オブジェクト配列への変換により、applyによって呼び出される関数がはるかに速くなりました。これには単純な理由があります:str
はPython関数であり、すでにPythonオブジェクトとNumPy (またはPandas)は、配列に格納された値のPythonラッパーを作成する必要はありません(通常、Pythonオブジェクトではない場合、配列はdtype object
)です。
しかし、それはあなたが見た巨大な違いを説明していません。私の疑いは、配列が反復され、要素が結果に設定される方法に実際には追加の違いがあるということです。おそらく:
_val = f(util.get_value_at(arr, i))
if is_array(val) and PyArray_NDIM(val) == 0:
val = val.item()
result[i] = val
_
_map_infer
_関数の一部は、以下より高速です。
_for i in range(n):
# we can use the unsafe version because we know `result` is mutable
# since it was created from `np.empty`
util.set_value_at_unsafe(result, i, unicode(arr[i]))
_
astype(str)
パスによって呼び出されます。最初の関数のコメントは、_map_infer
_の作成者が実際にコードを可能な限り高速にしようとしたことを示しているようです(「開梱を高速化する方法はありますか?」に関するコメントを参照してください)。パフォーマンスについて特別な注意を払う必要はありませんが、それは単なる推測です。
また、私のコンピューターでは、実際にx.astype(str)
およびx.apply(str)
のパフォーマンスにかなり近づいています。
_import numpy as np
arr = np.random.randint(0, 100, 1000000)
s = pd.Series(arr)
%timeit s.astype(str)
535 ms ± 23.8 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit func_called_by_astype(arr)
547 ms ± 21.1 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit s.apply(str)
216 ms ± 8.48 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit func_called_by_apply(arr.astype(object), str)
272 ms ± 12.5 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
_
別の結果を返す他のバリアントもチェックしたことに注意してください。
_%timeit s.values.astype(str) # array of strings
407 ms ± 8.56 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit list(map(str, s.values.tolist())) # list of strings
184 ms ± 5.02 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
_
興味深いことに、Python list
とmap
を使用したループは、私のコンピューターで最速のようです。
私は実際にプロットを含む小さなベンチマークを作りました:
_import pandas as pd
import simple_benchmark
def Series_astype(series):
return series.astype(str)
def Series_apply(series):
return series.apply(str)
def Series_tolist_map(series):
return list(map(str, series.values.tolist()))
def Series_values_astype(series):
return series.values.astype(str)
arguments = {2**i: pd.Series(np.random.randint(0, 100, 2**i)) for i in range(2, 20)}
b = simple_benchmark.benchmark(
[Series_astype, Series_apply, Series_tolist_map, Series_values_astype],
arguments,
argument_name='Series size'
)
%matplotlib notebook
b.plot()
_
ベンチマークでカバーしたサイズの範囲が非常に広いため、これは対数-対数プロットです。ただし、ここでは低いほど速くなります。
Python/NumPy/Pandasのバージョンによって結果は異なる場合があります。だからあなたがそれを比較したいなら、これらは私のバージョンです:
_Versions
--------
Python 3.6.5
NumPy 1.14.2
Pandas 0.22.0
_