Pandas groupby.size与series.value_counts vs collections.Counter有多个系列

Question

有很多问题(1,2,3)处理的计数值单一系列.

但是,关于计算两个或更多系列组合的最佳方法的问题较少.解决方案呈现(1,2),但是,当和为什么要使用的每个没有讨论.

以下是三种潜在方法的基准测试.我有两个具体问题:

1. 为什么grouper效率更高count？我预计count它会更高效,因为它在C中实现.grouper即使列数从2增加到4 ,优越的性能仍然存在.
2. 为什么这么多value_counter表现不佳grouper？这是由于从列表构建列表或系列的成本吗？

我理解输出是不同的,这也应该告知选择.例如,使用连续numpy数组与字典理解相比,按计数过滤更有效:

x, z = grouper(df), count(df)
%timeit x[x.values > 10]                        # 749µs
%timeit {k: v for k, v in z.items() if v > 10}  # 9.37ms

然而,我的问题的重点是在一系列与字典中建立可比较结果的表现.我的C知识是有限的,但我会感谢任何可以指出这些方法的基础逻辑的答案.

基准代码

import pandas as pd
import numpy as np
from collections import Counter

np.random.seed(0)

m, n = 1000, 100000

df = pd.DataFrame({'A': np.random.randint(0, m, n),
                   'B': np.random.randint(0, m, n)})

def grouper(df):
    return df.groupby(['A', 'B'], sort=False).size()

def value_counter(df):
    return pd.Series(list(zip(df.A, df.B))).value_counts(sort=False)

def count(df):
    return Counter(zip(df.A.values, df.B.values))

x = value_counter(df).to_dict()
y = grouper(df).to_dict()
z = count(df)

assert (x == y) & (y == z), "Dictionary mismatch!"

for m, n in [(100, 10000), (1000, 10000), (100, 100000), (1000, 100000)]:

    df = pd.DataFrame({'A': np.random.randint(0, m, n),
                       'B': np.random.randint(0, m, n)})

    print(m, n)

    %timeit grouper(df)
    %timeit value_counter(df)
    %timeit count(df)

基准测试结果

在python 3.6.2上运行,pandas为0.20.3,numpy为1.13.1

机器规格:Windows 7 64位,双核2.5 GHz,4GB RAM.

键:g = grouper,v = value_counter,c = count.

m           n        g        v       c
100     10000     2.91    18.30    8.41
1000    10000     4.10    27.20    6.98[1]
100    100000    17.90   130.00   84.50
1000   100000    43.90   309.00   93.50

¹这不是拼写错误.

Answer 1

实际上有一些隐藏的开销zip(df.A.values, df.B.values).这里的关键归结为以与Python对象完全不同的方式存储在内存中的numpy数组.

numpy数组(例如np.arange(10))基本上存储为连续的内存块,而不是单独的Python对象.相反,Python列表(例如)作为list(range(10))指向各个Python对象(即整数0-9)的指针存储在内存中.这种差异是为什么numpy数组在内存中比Python等效列表更小的基础,以及为什么你可以在numpy数组上执行更快的计算.

因此,正如Counter消耗它一样zip,相关的元组需要创建为Python对象.这意味着Python需要从numpy数据中提取元组值,并在内存中创建相应的Python对象.这有明显的开销,这就是为什么在将纯Python函数与numpy数据组合时要非常小心的原因.您可能经常看到的这个陷阱的一个基本示例是在sumnumpy数组上使用内置Python : sum(np.arange(10**5))实际上比纯Python慢​​一点sum(range(10**5)),而且这两者当然要慢得多np.sum(np.arange(10**5)).

有关此主题的更深入讨论,请参阅此视频.

作为特定于此问题的示例,请观察以下时序,比较Counterzipped numpy数组与相应的压缩Python列表的性能.

In [2]: a = np.random.randint(10**4, size=10**6)
   ...: b = np.random.randint(10**4, size=10**6)
   ...: a_list = a.tolist()
   ...: b_list = b.tolist()

In [3]: %timeit Counter(zip(a, b))
455 ms ± 4.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [4]: %timeit Counter(zip(a_list, b_list))
334 ms ± 4.2 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

这两个时间之间的差异使您可以合理估计前面讨论的开销.

但这并不是故事的结局.groupby在pandas中构造一个对象也涉及一些开销,至少与这个问题有关,因为有一些groupby元数据并不是完全没有必要得到的size,而是Counter你关心的一个单一的东西.通常这个开销远远小于相关的开销Counter,但是从一些快速的实验中我发现,Counter当你的大多数组只包含单个元素时,你实际上可以获得略微更好的性能.

考虑以下时间(使用@ BallpointBen的sort=False建议),这些时间沿着几个大组的范围进行 - <>许多小组:

def grouper(df):
    return df.groupby(['A', 'B'], sort=False).size()

def count(df):
    return Counter(zip(df.A.values, df.B.values))

for m, n in [(10, 10**6), (10**3, 10**6), (10**7, 10**6)]:

    df = pd.DataFrame({'A': np.random.randint(0, m, n),
                       'B': np.random.randint(0, m, n)})

    print(m, n)

    %timeit grouper(df)
    %timeit count(df)

这给了我下表:

m       grouper   counter
10      62.9 ms    315 ms
10**3    191 ms    535 ms
10**7    514 ms    459 ms

当然,任何收益Counter都可以通过转换回a来抵消Series,如果这是您想要的最终对象.