web-dev-qa-db-ja.com

pandas dataframe：loc vs query performance

pythonに2つのデータフレームがあります。データを照会したいと思います。

  • DF1：4Mレコードx 3列。クエリ関数は、loc関数よりも効率的にシームします。

  • DF2：2Kレコードx 6列。 loc関数は、query関数よりもはるかに効率的にシームします。

どちらのクエリも単一のレコードを返します。シミュレーションは、ループ内で同じ操作を10K回実行することによって行われました。

python 2.7 and pandas 0.16.0

クエリ速度を改善するための推奨事項はありますか？

pythonperformancepandasdataframeindexing
10
Syntax_Error

パフォーマンスを向上させるには、numexprを使用します。

import numexpr

np.random.seed(125)
N = 40000000
df = pd.DataFrame({'A':np.random.randint(10, size=N)})

def ne(df):
    x = df.A.values
    return df[numexpr.evaluate('(x > 5)')]
print (ne(df))

In [138]: %timeit (ne(df))
1 loop, best of 3: 494 ms per loop

In [139]: %timeit df[df.A > 5]
1 loop, best of 3: 536 ms per loop

In [140]: %timeit df.query('A > 5')
1 loop, best of 3: 781 ms per loop

In [141]: %timeit df[df.eval('A > 5')]
1 loop, best of 3: 770 ms per loop

import numexpr
np.random.seed(125)

def ne(x):
    x = x.A.values
    return x[numexpr.evaluate('(x > 5)')]

def be(x):
    return x[x.A > 5]

def q(x):
    return x.query('A > 5')

def ev(x):
    return x[x.eval('A > 5')]


def make_df(n):
    df = pd.DataFrame(np.random.randint(10, size=n), columns=['A'])
    return df


perfplot.show(
    setup=make_df,
    kernels=[ne, be, q, ev],
    n_range=[2**k for k in range(2, 25)],
    logx=True,
    logy=True,
    equality_check=False,  
    xlabel='len(df)')

graph

19
jezrael