数值处理二维数组的最快方法：数据帧 vs 系列 vs 数组 vs numba

Question

编辑补充：我不认为 numba 基准是公平的，下面的注释

我正在尝试对以下用例的数值处理数据的不同方法进行基准测试：

1. 相当大的数据集（100,000+ 条记录）
2. 100 多行相当简单的代码 (z = x + y)
3. 不需要排序或索引

换句话说，不需要系列和数据框的完全通用性，尽管它们被包含在 b/c 中，但它们仍然是封装数据的便捷方式，并且经常有预处理或后处理确实需要熊猫的通用性numpy 数组。

问题：基于此用例，以下基准是否合适，如果不合适，我该如何改进它们？

# importing pandas, numpy, Series, DataFrame in standard way
from numba import jit
nobs = 10000
nlines = 100

def proc_df():
   df = DataFrame({ 'x': np.random.randn(nobs),
                    'y': np.random.randn(nobs) })
   for i in range(nlines):
      df['z'] = df.x + df.y
   return df.z

def proc_ser():
   x = Series(np.random.randn(nobs))
   y = Series(np.random.randn(nobs))
   for i in range(nlines):
      z = x + y
   return z

def proc_arr():
   x = np.random.randn(nobs)
   y = np.random.randn(nobs)
   for i in range(nlines):
      z = x + y
   return z

@jit
def proc_numba():
   xx = np.random.randn(nobs)
   yy = np.random.randn(nobs)
   zz = np.zeros(nobs)
   for j in range(nobs):
      x, y = xx[j], yy[j]
      for i in range(nlines):
         z = x + y
      zz[j] = z
   return zz

结果（Win 7，3 年前的 Xeon 工作站（四核）。标准和最近的 anaconda 发行版或非常接近。）

In [1251]: %timeit proc_df()
10 loops, best of 3: 46.6 ms per loop

In [1252]: %timeit proc_ser()
100 loops, best of 3: 15.8 ms per loop

In [1253]: %timeit proc_arr()
100 loops, best of 3: 2.02 ms per loop

In [1254]: %timeit proc_numba()
1000 loops, best of 3: 1.04 ms per loop   # may not be valid result (see note below)

编辑以添加（对 jeff 的响应）将 df/series/array 传递给函数而不是在函数内部创建它们的替代结果（即将包含“randn”的代码行从函数内部移动到外部函数）：

10 loops, best of 3: 45.1 ms per loop
100 loops, best of 3: 15.1 ms per loop
1000 loops, best of 3: 1.07 ms per loop
100000 loops, best of 3: 17.9 µs per loop   # may not be valid result (see note below)

关于 numba 结果的注意事项：我认为 numba 编译器必须在 for 循环上进行优化并将 for 循环减少到单个迭代。我不知道，但这是我能想到的唯一解释，因为它不可能比 numpy 快 50 倍，对吧？这里的后续问题：为什么这里 numba 比 numpy 快？

Answer 1

好吧，您实际上并没有为相同的事情计时（或者更确切地说，您正在为不同的方面计时）。

例如

In [6]:    x = Series(np.random.randn(nobs))

In [7]:    y = Series(np.random.randn(nobs))

In [8]:  %timeit x + y
10000 loops, best of 3: 131 µs per loop

In [9]:  %timeit Series(np.random.randn(nobs)) + Series(np.random.randn(nobs))
1000 loops, best of 3: 1.33 ms per loop

所以 [8] 次实际操作，而 [9] 包括系列创建（和随机数生成）的开销加上实际操作

另一个例子是proc_servs proc_df。这proc_df包括分配 DataFrame 中特定列的开销（对于初始创建和随后的重新分配实际上是不同的）。

所以创建结构（你也可以计时，但这是一个单独的问题）。执行完全相同的操作并计时。

此外你说你不需要对齐。Pandas 默认为您提供此功能（并没有真正简单的方法将其关闭，尽管它只是一个简单的检查它们是否已经对齐）。在 numba 中，您需要“手动”对齐它们。