pandas:DataFrame.mean()非常慢.如何更快地计算列的平均值？

Question

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,只有一个包含日期.文件上有一些NULL值,nan在我将它加载到pandas之后会转换为它DataFrame,我喜欢这样:

import pandas as pd
data = pd.read_csv('data.csv')

加载后,我认为非常快,导致它花了大约30秒(几乎与使用Unix工具计算行数wc),该过程占用了大约4Gb的RAM(磁盘上文件的大小:2.2 Gb.到目前为止一切顺利.

然后我尝试做以下事情:

column_means = data.mean()

这个过程占用的内存很快就增长到了〜22Gb.我还可以看到处理器(一个核心)非常繁忙 - 就像三个小时一样,之后我杀死了这个过程,因为我需要将机器用于其他事情.我有一台装有Linux的相当快的PC - 它有2个处理器,每个处理器有4个内核,因此它共有8个内核,以及32 Gb的RAM.我不敢相信计算列方法应该花这么长时间.

任何人都可以解释为什么DataFrame.mean()这么慢？更重要的是,什么是更好的计算文件列的方法？我是不是以尽可能最好的方式加载文件,我应该使用不同的功能而不是DataFrame.mean()或者使用完全不同的工具吗？

提前谢谢了.

编辑.这是df.info()显示:

<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

Answer 1

这是一个类似的大小,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)

计时(类似机器规格给你)

In [14]: %timeit df.mean()
1 loops, best of 3: 21.5 s per loop

您可以通过预转换为浮点数来获得2倍的加速(这意味着这样,但是以更一般的方式执行,所以更慢)

In [15]: %timeit df.astype('float64').mean()
1 loops, best of 3: 9.45 s per loop

你的问题是对象列.均值将尝试计算所有列,但由于对象列,所有内容都被上传到objectdtype,这对于计算效率不高.

最好的办法是做

 df._get_numeric_data().mean()

numeric_only在较低级别可以选择执行此操作,但由于某种原因,我们不会通过顶级函数直接支持此功能(例如,均值).我认为会产生一个问题来添加这个参数.但是False默认情况下(不排除).