1000+倍！超强Python『向量化』数据处理提速攻略
标星★置顶公众号 爱你们♥
作者：Cheever
编译：1+1=6
今天公众号给大家好好讲讲基于Pandas和NumPy，如何高速进行数据处理！
1
向量化
1000倍的速度听起来很夸张。Python并不以速度著称。这是真的吗？当然有可能 ，关键在于你如何操作！
如果在数据上使用for循环，则完成所需的时间将与数据的大小成比例。但是还有另一种方法可以在很短的时间内得到相同的结果，那就是向量化。
这意味着要花费15秒的时间来编写代码，并且在15毫秒的时间内跑出结果。
当然，根据数据集的不同，库文件、硬件版本的不同，所以实际结果可能会有所不同。
公众号也多次发过相关文章：
那么什么是向量化？
简而言之，向量化是一种同时操作整个数组而不是一次操作一个元素的方法，这也得益于Numpy数组。
我们先导入测试数据：
第一次向量化测试：
以这个函数为例。这是一个非常基本的条件逻辑，我们需要为lead status创建一个新列。
我们使用Pandas的优化循环函数apply()，但它对我们来说太慢了。
或者使用如下方法：
接下来，我们尝试一下使用向量化。将整个Series作为参数传递到函数中，而不是对每一行。
但没有成功。if语句试图确定Series作为一个整体的真实性，而不是比较Series中的每个元素，所以这是错误的。
2
numpy.where()
语法很简单，就像Excel的IF()。
第一个参数是逻辑条件Numpy，它将为数组中的每个元素计算一个布尔数组。当条件满足且为True时，将返回第二个参数，否则返回第三个参数。
看下面的例子：
numpy.where()它从我们的条件中创建一个布尔数组，并在条件为真或假时返回两个参数，它对每个元素都这样做。这对于在Dataframe中创建新列非常有用。
比apply函数快344倍！
如果我们在Series添加了.values ，它的作用是返回一个NumPy数组，里面是我的级数中的数据。
现在的numpy.where()，只查看数组中的原始数据，而不必负责Pandas Series带来的内容，如index或其他属性。这个小的变化通常会在时间上产生巨大的差异。
各位！一开始，我们应用的if/else函数的时间超过了8秒，现在我们已经将其缩短到不到9毫秒，这几乎是一个1000倍的转换！
3
numpy.vectorize()
这个函数将把Python函数转换成NumPy ufunc，这样它就可以处理向量化的方法。它向量化了你的函数，而不一定是这个函数如何应用于你的数据，这有很大的不同！
例子如下：
vectorize()将常规的Python函数转换成Numpy ufunc（通用函数），这样它就可以接收Numpy数组并生成Numpy数组。vectorize()主要是为了方便，而不是为了性能。实质上是一个for loop。
我们可以使用它的一种方式，包装我们之前的函数，在我们传递列时不起作用的函数，并向量化它。它比.apply()快得多，但也比.where()慢了17倍。所以在这种情况下，将坚持使用np.where()！
一些人认为这更快：使用index设置，但事实证明它实际上不是向量化！
代码如下：
4
Multiple conditions
类似这样的多个if/elif/elifs，如何向量化呢？
你可以调用np.where在任何情况下，代码长了就变得有点难读了
实际上有一个函数专门可以做多重条件的向量化，是什么呢？
5
numpy.select()
向量化if...elif...else。更简洁（甚至更快）和做多重嵌套np.where。
np.select()的一个优点是它的layout。
你可以用你想要检查的顺序来表达你想要检查的条件。np.select将按从前到后的顺序对每个数组求值，当数据集中的某个给定元素的第一个数组为True时，将返回相应的选择。所以操作的顺序很重要！像np.where。其中，你的选择可以是标量，也可以是数组。只要它符合你的条件。
这是我们第一次尝试将多个条件从.apply()方法转换为向量化的解决方案。向量化选项将在0.1秒多一点的时间内返回列，.apply()将花费12.5秒。嵌套的np.where()解决方案工具179ms。
那么嵌套的多个条件，我们可以向量化吗？可以！
代码：
基本上，当使用np.select()时。根据经验，你需要为每个return语句设置n个条件，这样就可以将所有布尔数组打包到一个条件中，以返回一个选项。
代码如下：
如果添加了.values：
4
更复杂的
有时必须使用字符串，有条件地从字典中查找内容，比较日期，有时甚至需要比较其他行的值。我们来看看！
1、字符串
假设你需要在一系列文本中搜索特定的模式，如果匹配，则创建一个新的series。这是一种.apply方法。
用np.vectorize()时：
同时，当使用向量化方法处理字符串时，Pandas为我们提供了向量化字符串操作的.str()。contains基本上和re.search做的是一样的，它会给我们相同的结果。
为什么.str向量化这么慢？
字符串操作很难并行化，所以.str方法是向量化的，这样就不必为它们编写for循环。使用.apply执行基本的Python是更快的选择。
一般来说，我们还建议你使用str方法来避免循环，但是如果你的速度变慢了，这会让你很痛苦，试试循环是否能帮你节省一些时间。
2、字典lookups
对于进行字典查找，我们可能会遇到这样的情况，如果为真，我们希望从字典中获取该series键的值并返回它，就像下面代码中的下划线一样。
你可以使用.map()在向量化方法中执行相同的操作。
3、日期
有时你可能需要做一些日期计算（确保你的列已经转换为datetime对象）。这是一个计算周数的函数。以天为单位的两个日期之差除以7得到过去的周数。下面是使用.apply()的方法。
有两种向量化方法。第一种方法是使用pandas .dt series datetime访问器。除了改变语法以适应np.where。我们要做的就是在.dt之前加上.days ，效果很好。
完成此计算的另一种更加Numpy向量化的方法是将Numpy数组转换为timedeltas，获得day值，然后除以7。这和最终结果是一样的，只是下面的那个代码更长。
4、使用来自其他行的值
在这个例子中，我们从Excel中重新创建了一个公式：
其中A列表示id，L列表示日期。
向量化所需要的所有函数都是在同一行上比较的值，这可以使用pandas.shift()实现！
确保你的数据正确排序，否则你的结果就没有意义！
很慢！
为了解决这个问题，我们对Pandas中的一个series使用.shift()将前一行移到相同的级别。一旦它们被转移到相同的级别，我就可以使用np.select()执行相同的条件向量化方法了！
5
其他
一种选择是使用apply跨CPU核并行化操作。因此，如果你有一个4核的i7，你可以将你的数据集分成4块，将你的函数应用到每一块，然后将结果合并在一起。注意：这不是一个很好的选择！
Dask是在Pandas API中工作的一个不错的选择。能够跨集群扩展到TB级的数据，或者甚至能够更有效地在一台机器上处理多核数据。
6
总结
向量化可以极大地加快速度！
np.where →一个逻辑条件
np.select →2+逻辑条件
如果你正在处理字符串/正则表达式函数，那么最好还是使用Python。或者如果你的逻辑重写起来很麻烦或者你不想重写，你可以考虑并行化应用函数或者像Dask这样的东西可以帮你实现。
最后，在优化之前一定要确保逻辑是合理的。
不成熟的优化是万恶之源！
2020年第9篇文章
量化投资与机器学习微信公众号，是业内垂直于Quant、MFE、Fintech、AI、ML等领域的量化类主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险资管、海外等众多圈内18W+关注者。每日发布行业前沿研究成果和最新量化资讯。
你点的每个“在看”，都是对我们最大的鼓励