python df遍历的N种方式

以你之姓@ 2023-06-01 15:58 30阅读 0赞

#### for…in 迭代循环 ####

> 首先介绍Python中最常用的for…in循环遍历的方式。for…in循环结构用于遍历列表、元组、字典、字符串、集合、文件等。其实for和in是两个独立的语法，for语句是Python内置的迭代器工具，用于从可迭代容器对象（如列表、元组、字典、字符串、集合、文件等）中逐个读取元素，直到容器中没有更多元素为止，工具和对象之间只要遵循可迭代协议即可进行迭代操作。in的存在使得python在操作可迭代对象时变得简单得多，用于配合for使用逐个取可迭代对象的元素。

for语句参与的具体迭代的过程为：可迭代对象通过iter方法返回迭代器，迭代器具有next方法，for循环不断地调用next方法，每次按序返回迭代器中的一个值，直到迭代到最后，没有更多元素时抛出异常StopIteration（Python会自动处理异常）。模拟迭代的过程如下所示：

# 迭代的过程
    x = [1,2,3]
    its = x.__iter__() #列表是可迭代对象，否则会提示不是迭代对象
    print(its)
    # 打印结果：
    <list_iterator object at 0x100f32198>
    print(next(its)) # its包含此方法，说明its是迭代器
    # 打印结果：
    1
    print(next(its)) 
    # 打印结果：
    2
    print(next(its)) 
    # 打印结果：
    3
    print(next(its)) 
    # 打印结果：
    Traceback (most recent call last):
     	File "<stdin>", line 1, in <module>
    StopIteration

迭代的优点是无需把所有元素一次加载到内存中，可以在调用next方法时逐个返回元素，避免出现内存空间不够的情况。

使用for…in循环方式实现单均线突破策略。遍历全部交易日的收盘价数值和Ma20数值，将收盘价数值减去Ma20数值，并使用np.sign()取差值符号，当收盘价在Ma20上方时差值为正，收盘价在Ma20上下方时差值为负，由负转正对应为买点，由正转负对应为卖点。如下所示

def forin_looping(df):
        df['signal'] = 0 #df = df.assign(signal = 0) #可采用assign新增一列
        for i in np.arange(0,df.shape[0]):
            df.iloc[i,df.columns.get_loc('signal')] = np.sign(df.iloc[i]['Close'] - df.iloc[i]['Ma20'])
        return df
    print(forin_looping(df_stockload)[0:5])
    """ High Low Open Close Volume Adj Close Ma20 signal Date 2018-01-29 3587.0 3510.3 3563.6 3523.0 236000 3523.0 3454.3 1.0 2018-01-30 3523.1 3484.7 3511.5 3488.0 186400 3488.0 3461.3 1.0 2018-01-31 3495.5 3454.7 3470.5 3480.8 207300 3480.8 3466.8 1.0 2018-02-01 3495.1 3424.4 3478.7 3447.0 260500 3447.0 3469.9 -1.0 2018-02-02 3463.2 3388.9 3419.2 3462.1 208100 3462.1 3473.4 -1.0 """

#### iterrows()生成器方式 ####

另一种Python中常用的遍历方式为iterrows()生成器方式。所谓生成器其实是一种特殊的迭代器，内部支持了迭代器协议。Python中提供生成器函数和生成器表达式两种方式实现生成器，每次请求返回一个结果，不需要一次性构建一个结果列表，节省了内存空间。

在Python 3中可使用range返回一个迭代器，用来一次一个值地遍历一个范围.

# 生成器函数方式实现生成器
    def gensquares(N):
    	for i in range(N):
    		yield i**2 
            
    print(gensquares(5))
    #打印结果：
    <generator object gensquares at 0x11a35cf48>
    
    for i in gensquares(5):
    	print(i) 
    # 打印结果：
    0
    1
    4
    9
    16

其实yield就相当于一个return，只是return返回的是值，但是yield返回的是生成器，除了这点其他都一样，所以return也好yield也好都只能用在函数中。

生成器表达式方式实现生成器就是类似列表解析，按需产生结果的一个对象，例程代码如下所示：

# 生成器表达式方式实现生成器
    print(x**2 for x in range(5))
    # 打印结果：
    <generator object <genexpr> at 0xb3d31fa4>
    
    print(list(x**2 for x in range(5)))
    # 打印结果：
    [0, 1, 4, 9, 16]

通过iterrows()遍历方式计算股票每个交易日收盘价与Ma20差值，此处iterrows是对dataframe格式数据行进行迭代的一个生成器，它返回每行的索引及包含行本身的对象，代码如下所示：

#iterrows()遍历方式
    def iterrows_loopiter(df):
        df['signal'] = 0 #df = df.assign(signal = 0) #可采用assign新增一列
        for index,row in df.iterrows():
            df.loc[index, 'signal'] = np.sign(row['Close']-row['Ma20'])
        return df
    print(iterrows_loopiter(df_stockload)[0:5])
    
    """ High Low Open Close Volume Adj Close Ma20 signal Date 2018-01-29 3587.0 3510.3 3563.6 3523.0 236000 3523.0 3454.3 1.0 2018-01-30 3523.1 3484.7 3511.5 3488.0 186400 3488.0 3461.3 1.0 2018-01-31 3495.5 3454.7 3470.5 3480.8 207300 3480.8 3466.8 1.0 2018-02-01 3495.1 3424.4 3478.7 3447.0 260500 3447.0 3469.9 -1.0 2018-02-02 3463.2 3388.9 3419.2 3462.1 208100 3462.1 3473.4 -1.0 """

#### apply()循环方式 ####

apply()方法可将函数应用于dataframe特定行或列。函数由lambda方式在代码中内嵌实现，lambda 为匿名函数，可以省去定义函数的过程，让代码更加精简。lambda函数的末尾包含axis参数，用来告知Pandas将函数运用于行（axis = 1）或者列（axis = 0）。apply()方法循环方式实现的代码如下所示：

df_stockload['signal'] = df_stockload.apply(lambda row: (np.sign(row['Close']-row['Ma20'])), axis = 1)
    print(df_stockload.head())
    """
                  High     Low    Open   Close  Volume  Adj Close    Ma20  signal
    Date                                                                         
    2018-01-29  3587.0  3510.3  3563.6  3523.0  236000     3523.0  3454.3     1.0
    2018-01-30  3523.1  3484.7  3511.5  3488.0  186400     3488.0  3461.3     1.0
    2018-01-31  3495.5  3454.7  3470.5  3480.8  207300     3480.8  3466.8     1.0
    2018-02-01  3495.1  3424.4  3478.7  3447.0  260500     3447.0  3469.9    -1.0
    2018-02-02  3463.2  3388.9  3419.2  3462.1  208100     3462.1  3473.4    -1.0

#### 矢量化遍历方式 ####

此处我们主要处理一维数组之间的计算，那么矢量化方式可使用Pandas series 的矢量化方式和Numpy arrays的矢量化方式两种。  
先来看下Pandas series 的矢量化方式。  
Pandas的DataFrame、series基础单元数据结构基于链表，因此可将函数在整个链表上进行矢量化操作，而不用按顺序执行每个值。

Pandas包括了非常丰富的矢量化函数库，我们可把整个series（列）作为参数传递，对整个链表进行计算。Pandas series 的矢量化方式实现代码如下：

#Pandas series 的矢量化方式
    df_stockload['signal'] = np.sign(df_stockload['Close']-df_stockload['Ma20'])
    print(df_stockload.head())
    """ High Low Open Close Volume Adj Close Ma20 signal Date 2018-01-29 3587.0 3510.3 3563.6 3523.0 236000 3523.0 3454.3 1.0 2018-01-30 3523.1 3484.7 3511.5 3488.0 186400 3488.0 3461.3 1.0 2018-01-31 3495.5 3454.7 3470.5 3480.8 207300 3480.8 3466.8 1.0 2018-02-01 3495.1 3424.4 3478.7 3447.0 260500 3447.0 3469.9 -1.0 2018-02-02 3463.2 3388.9 3419.2 3462.1 208100 3462.1 3473.4 -1.0 """

对于Numpy arrays的矢量化方式，由于本例的矢量化运算中只使用了series的数值，无需使用索引等信息，因此可将series转换为array类型，节省操作过程中的很多开销。  
我们可使用values 方法将链表从Pandas series转换为NumPy arrays，把NumPy array作为参数传递，对整个链表进行计算。Numpy arrays的矢量化方式实现代码如下：

#Numpy arrays的矢量化方式
    df_stockload['signal'] = np.sign(df_stockload['Close'].values-df_stockload['Ma20'].values)
    print(df_stockload.head())
    """ High Low Open Close Volume Adj Close Ma20 signal Date 2018-01-29 3587.0 3510.3 3563.6 3523.0 236000 3523.0 3454.3 1.0 2018-01-30 3523.1 3484.7 3511.5 3488.0 186400 3488.0 3461.3 1.0 2018-01-31 3495.5 3454.7 3470.5 3480.8 207300 3480.8 3466.8 1.0 2018-02-01 3495.1 3424.4 3478.7 3447.0 260500 3447.0 3469.9 -1.0 2018-02-02 3463.2 3388.9 3419.2 3462.1 208100 3462.1 3473.4 -1.0 """

#### 执行效率对比 ####

#使用timeit方法对比方法参考例程如下，需要import timeit模块：
    from timeit import timeit
    def test1():
        forin_looping(df_stockload)
    def test2():
        iterrows_loopiter(df_stockload)
    def test3():
        df_stockload['signal'] = df_stockload.apply(lambda row: (np.sign(row['Close'] - row['Ma20'])), axis=1)
    def test4():
        df_stockload['signal'] = np.sign(df_stockload['Close']-df_stockload['Ma20'])
    def test5():
        df_stockload['signal'] = np.sign(df_stockload['Close'].values - df_stockload['Ma20'].values)
    
    #for..in循环迭代方式
    t1 = timeit('test1()', 'from __main__ import test1', number=100)
    #iterrows()遍历方式
    t2 = timeit('test2()', 'from __main__ import test2', number=100)
    #apply()方法循环方式
    t3 = timeit('test3()', 'from __main__ import test3', number=100)
    #Pandas series 的矢量化方式
    t4 = timeit('test4()', 'from __main__ import test4', number=100)
    #Numpy arrays的矢量化方式：
    t5 = timeit('test5()', 'from __main__ import test5', number=100)
    
    print(t1,t2,t3,t4,t5)
    #14.943237108999998 8.827773373 0.5511996379999999 0.02215727200000117 0.012933490000001768

总结

可以看出循环执行的速度是最慢的，iterrows()针对Pandas的dataframe进行了优化，相比直接循环有显著提升。apply()方法也是在行之间进行循环，但由于利用了类似Cython的迭代器的一系列全局优化，其效率要比iterrows高很多。  
NumPy arrays的矢量化运行速度最快，其次是Pandas series矢量化。

由于矢量化是同时作用于整个序列的，可以节省更多的时间，相比使用标量操作更好，NumPy使用预编译的C代码在底层进行优化，同时也避免了Pandas series操作过程中的很多开销，例如索引、数据类型等等，因此，NumPy arrays的操作要比Pandas series快得多。