不要在Python中使用iterrows()循环

左手的ㄟ右手 2024-04-01 11:54 65阅读 0赞

不要在Python中使用iterrows()循环，而是使用这些!

知道如何以31倍的速度迭代pandas DataFrame

你想在Python中快速运行31倍的循环吗？

简介：循环对我们来说是非常自然的。当我们学习任何编程语言时，循环都是重要概念的一个组成部分，而且循环也很容易解释。因此，在Python中，每当我们必须对数据集的行进行迭代时，凭直觉，我们就开始考虑实现循环。

但是，当数据集太大的时候，循环需要花费大量的时间来遍历DataFrame。那么，我们是完全不使用循环呢，还是可以通过一些小技巧来克服这一挑战呢？

幸运的是，有一些小窍门

在这篇博客中，我们将使用pandas中不同的循环方法来研究在一个大的pandas DataFrame中迭代的不同方式（以及相关的运行时间）。在这篇博客结束时，你会知道哪种循环技术对较大的数据集最有效。

创建我们的数据集

我们将使用一个DataFrame df有500万行和4列。每一列都被分配一个0到50之间的随机整数。

import numpy as np
    import pandas as pd
    df = pd.DataFrame(np.random.randint(0, 50, size=(5000000, 4)), columns=('a','b','c','d'))
    df.shape
    # (5000000, 5)
    df.head()

有500万行和4列的数据框架

选项1：迭行

想象一下，我们想在数据框架df中添加一列'e'，基于以下条件。

如果'a'等于0，那么'e'就等于'd'的值。

如果'a'小于或等于25且大于0，那么'e'等于'b'-'c'。

如果不满足上述条件，那么'e'就等于'b'+'c'。

为了实现上述条件，我们将使用pandas iterrows()函数来迭代数据框架df的行。

Iterrows()函数以(index, Series)对的形式遍历数据框架的行。

import time 
    start = time.time()
    # Iterating through DataFrame using iterro
    for idx, row in df.iterrows():
        if row.a == 0:
            df.at[idx,'e'] = row.d
        
        elif (row.a <= 25) & (row.a > 0):
            df.at[idx,'e'] = (row.b)-(row.c)
        else:
            df.at[idx,'e'] = row.b + row.c
    
    end = time.time()
    print(end - start)
    ### Time taken: 666 seconds

**所花费的时间666秒**

iterrows()函数需要666秒（约11分钟）来实现对500万行的操作。

选项2：迭代数

`Itertuples`是另一种在pandas DataFrame中迭代的方法。它将DataFrame的行作为命名的图元进行迭代。

下面的代码显示了如何使用itertuples访问元素。该行对象有第一个字段作为索引，以下字段作为列。

for row in df[:1].itertuples():
        print(row)
        print(row.Index)
        print(row.a)

输出 使用下面的代码，我们可以在我们的DataFrame df上应用这个操作。

start = time.time()
    # Iterating through namedtuples
    for row in df.itertuples():
        if row.a == 0:
            df.at[row.Index,'e'] = row.d
        
        elif (row.a <= 25) & (row.a > 0):
            df.at[row.Index,'e'] = (row.b)-(row.c)
        else:
            df.at[row.Index,'e'] = row.b + row.c 
            
    end = time.time()
    print(end - start)
    ## Time taken: 81 seconds

花费的时间：**81秒 \*\* itertuples()函数在DataFrame上执行所需的操作需要~81秒，比iterrows()函数**快8倍\*\*。

选项3：字典

我们也可以通过将 DataFrame 转换为 dictionary（它是一个轻量级的内置数据类型）来迭代 DataFrame 的行，通过 dictionary 迭代来执行操作，然后将更新的 dictionary 转换回 DataFrame。

我们可以使用'to\_dict()'函数将 DataFrame 转换为 dictionary

start = time.time()
    # converting the DataFrame to a dictionary
    df_dict = df.to_dict('records')  
    # Iterating through the dictionary 
    for row in df_dict[:]:
        if row['a'] == 0:
            row['e'] = row['d']
        
        elif row['a'] <= 25 & row['a'] > 0:
            row['e'] = row['b']-row['c']
        else:
            row['e'] = row['b'] + row['c']
    # converting back to DataFrame
    df4 = pd.DataFrame(df_dict)
    end = time.time()
    print(end - start)
    ## Time taken: 25 seconds

**花费的时间：25秒**

`dictionary`方法花费了~25秒，比`itertuples()`函数花费的时间快了~3倍。

选项4：数组/列表

这个方法类似于字典方法，我们将把DataFrame转换为数组，在数组中迭代操作每一行（保存在一个列表中），然后将列表转换为DataFrame。

start = time.time()
    # 创建一个空的字典
    
    list2 = []
    # 初始化有0的列。
    df['e'] = 0
    
    # 遍历一个NumPy数组 
    for row in df.values:
        if row[0] == 0:
            row[4] = row[3]
        
        elif row[0] <= 25 & row[0] > 0:
            row[4] = row[1]-row[2]
       
        else:
            row[4] = row[1] + row[2]
    #将数值追加到一个列表中
        list2.append(row)
    #将列表转换为一个数据框架 
    df2 = pd.DataFrame(list2, columns=['a', 'b', 'c', 'd','e'])
    end = time.time()
    print(end - start)
    #Time Taken: 21 seconds

**所花费的时间：21秒**

这个方法所花费的时间是~21秒（比iterrows快31倍），这与在字典中迭代所花费的时间非常接近。

![alt][]

执行时间的比较

字典和数组是内置的轻型数据结构，因此在DataFrame中迭代花费的时间最少。

每当处理大型数据集时，最好的做法是将你的python代码矢量化。它将以闪电般的速度运行。对上述代码进行矢量化后，执行时间减少到0.29秒（比在数组中迭代快72倍）。我们将在接下来的文章中学习矢量化的知识。

总结 我们看了使用循环遍历DataFrame的4种不同方式。

Iterrows函数花费了最大的时间来迭代DataFrame。 使用itertuples函数，我们可以以8倍于iterrows函数的速度遍历DataFrame。 遍历Dictionary和Array需要的时间最少，是使用循环来操作数据的最佳方法。

本文由[ mdnice ][mdnice]多平台发布

[alt]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/01/39d2b4dc17a543058324a63a8cec3823.png
[mdnice]: https://mdnice.com/?platform=4