Pandas系列4-数据矢量化
问题
我们在处理数据问题时，经常会遇到的问题是要将原有数据进行转化，比如在原有数据的基础上+1操作，或者将原有数据的字符串全部转化为小写字符，更复杂的是要将原有数据的一部分提取出来使用。这些问题都是数据转化问题，即原有的数据不能直接使用，而要进一步转化后才能使用。
示例
这里举一个笔者在实际项目中遇到的例子来说明。
笔者项目中需要收集的app version信息，原始信息如下：
In [167]: df
Out[167]:
app_version uid
0 7.23.1-180522122 1
1 7.20.1-180502135 2
2 7.23.1-180522122 3
3 7.23.1-180522122 4
4 7.16.7-180411077 5
但是实际上，我们只需要"-"之前的版本号，而且后续比较的时候要用'-'之前的数字进行比较，因此这样就涉及到了将原版本数据进行转化，即只提取'-'之前的数字，而舍弃后边的数字。
迭代
一个显而易见的做法是通过遍历的方式来逐行修改，如下图所示：
In [178]: %%timeit
...: for index, row in df.iterrows():
...: df.iloc[index, 0] = row['app_version'].split('-')[0]
...:
2.34 ms ± 47.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
In [179]: df
Out[179]:
app_version uid
0 7.23.1 1
1 7.20.1 2
2 7.23.1 3
3 7.23.1 4
4 7.16.7 5
再进一步，我们可以使用apply方法，如下：
In [181]: df
Out[181]:
app_version uid
0 7.23.1-180522122 1
1 7.20.1-180502135 2
2 7.23.1-180522122 3
3 7.23.1-180522122 4
4 7.16.7-180411077 5
In [182]: %%timeit
...: df['app_version'] = df['app_version'].apply(lambda x: x.split('-')[0])
...:
247 µs ± 11.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
In [183]: df
Out[183]:
app_version uid
0 7.23.1 1
1 7.20.1 2
2 7.23.1 3
3 7.23.1 4
4 7.16.7 5
我们可以发现使用apply不仅使得代码更加简洁，而且速度也有了较明显的提升。但是以上方法本质上都是通过迭代的方式一条一条的修改，那么我们能否进一步提升性能呢？
矢量化
In [197]: df
Out[197]:
app_version uid
0 7.23.1-180522122 1
1 7.20.1-180502135 2
2 7.23.1-180522122 3
3 7.23.1-180522122 4
4 7.16.7-180411077 5
In [198]: %%timeit
...: df['app_version'] = df['app_version'].str.split('-').str.get(0)
...:
424 µs ± 11.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
这里发现矢量化貌似不能提高性能啊，这是为什么？
这里我猜测是由于我们的矢量化代码是分为两步操作，且在数据量较小的情况下就会显得慢
为了验证这个假设，我做了如下实验：
先将原数据concat为2560条记录，然后再计算时间
2557 7.23.1-180522122 3
2558 7.23.1-180522122 4
2559 7.16.7-180411077 5
[2560 rows x 2 columns]
In [232]: df3 = df
In [233]: %%timeit
...: df['app_version'] = df['app_version'].apply(lambda x: x.split('-')[0])
...:
1.36 ms ± 35.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
# 矢量化方式
In [250]: %%timeit
...: df['app_version'] = df['app_version'].str.split("-").str.get(0)
...:
2.61 ms ± 113 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
发现单纯的数据量增大并没有影响结果，那么用其它转化来测试下，这里获取字符串长度的转化进行实验
In [253]: %%timeit
...: df['length'] = df['app_version'].str.len()
...:
901 µs ± 17.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
In [254]: %%timeit
...: df3['length'] = df3['app_version'].apply(lambda x: len(x))
...:
...:
1.16 ms ± 14.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
我们看到在这里就体现出了矢量化的优势，因为这里大家都是一步。
结论：当矢量化步数只有一步时，其性能还是要比apply方式好的，但当需要多步的时候，不一定好于apply方式。
那么，我们能否将其转化为一步呢？后发现有extract这样的函数，使用如下：
In [312]: df
Out[312]:
app_version uid
0 7.23.1-180522122 1
1 7.20.1-180502135 2
2 7.23.1-180522122 3
3 7.23.1-180522122 4
4 7.16.7-180411077 5
In [313]: %%timeit
...: df['app_version'] = df['app_version'].str.extract(r"([0-9\.]+)-[0-9]+", expand=Fal
...: se)
...:
247 µs ± 8.95 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)
通过extract终于实现了一步的矢量化。而且性能上也是最优的。
这里需要注意的是，如果使用timeit, 由于多次操作，会导致后续df中'app_version'的值变为NaN。当我们只操作一次的时候则不存在此问题。
