我們在這里討論6個新手容易犯的錯誤，這些錯誤與你所使用工具的API或語法無關(guān)，而是與你的知識和經(jīng)驗水平直接相關(guān)。在實際中如果出現(xiàn)了這些問題可能不會有任何的錯誤提示，但是在應用中卻會給我們帶來很大的麻煩。

使用pandas自帶的函數(shù)讀取大文件

第一個錯誤與實際使用Pandas完成某些任務有關(guān)。具體來說我們在實際處理表格的數(shù)據(jù)集都非常龐大。使用pandas的read_csv讀取大文件將是你最大的錯誤。

為什么?因為它太慢了!看看這個測試，我們加載TPS十月數(shù)據(jù)集，它有1M行和大約300個特性，占用了2.2GB的磁盤空間。

import pandas as pd
%%time

tps_october = pd.read_csv("data/train.csv")
Wall time: 21.8 s

read_csv花了大約22秒。你可能會說22秒并不多。但是在一個項目中，需要在不同的階段執(zhí)行許多實驗。我們會創(chuàng)建很多單獨的腳本，用于清理、特征工程、選擇模型，以及其他任務。多次等待數(shù)據(jù)加載20秒就變得很長了。此外，數(shù)據(jù)集可能會更大時間就會更長。那么有什么更快的解決方案呢?

解決方案是在這個階段放棄Pandas，使用其他為快速IO設計的替代方案。我最喜歡的是datatable，但你也可以選擇Dask, Vaex, cuDF等。這里是用datatable加載相同的數(shù)據(jù)集所需要的時間:

import datatable as dt  # pip install datatble

%%time

tps_dt_october = dt.fread("data/train.csv").to_pandas()

------------------------------------------------------------

Wall time: 2 s

只有2秒，10倍差距

沒有矢量化

函數(shù)式編程中最重要的規(guī)則之一就是永遠不要使用循環(huán)。似乎在使用 Pandas 時堅持這個“無循環(huán)”規(guī)則是加速計算的最佳方法。

函數(shù)式編程用遞歸代替循環(huán)。雖然遞歸也會出現(xiàn)各種問題（這個我們這里不考慮），但是對于科學計算來說使用矢量化是最好的選擇！

矢量化是 Pandas 和 NumPy 的核心，它對整個數(shù)組而不是單個標量執(zhí)行數(shù)學運算。 Pandas 已經(jīng)擁有一套廣泛的矢量化函數(shù)，我們無需重新發(fā)明輪子，只要關(guān)注我們的重點如何計算就好了。

在 Pandas 中進行Python 的大部分算術(shù)運算符（+、-、*、/、**）都以矢量化方式工作。此外，在 Pandas 或 NumPy 中看到的任何其他數(shù)學函數(shù)都已經(jīng)矢量化了。

為了驗證到速度的提高，我們將使用下面的 big_function，它以三列作為輸入并執(zhí)行一些無意義的算術(shù)作為測試：

def big_function(col1, col2, col3):
    return np.log(col1 ** 10 / col2 ** 9 + np.sqrt(col3 ** 3))

首先，我們將這個函數(shù)與 Pandas 最快的迭代器——apply 一起使用：

%time tps_october['f1000'] = tps_october.apply(
      lambda row: big_function(row['f0'], row['f1'], row['f2']), axis=1
    )

-------------------------------------------------

Wall time: 20.1 s

操作耗時20秒。 讓我們以矢量化的方式使用核心 NumPy 數(shù)組來做同樣的事情：

%time tps_october['f1001'] = big_function(tps_october['f0'].values, 
                                          tps_october['f1'].values, 
                                          tps_october['f2'].values)

------------------------------------------------------------------

Wall time: 82 ms

只用了 82 毫秒，快了大約 250 倍。

事實上我們不能完全拋棄循環(huán)。 因為并非所有數(shù)據(jù)操作操作都是數(shù)學運算。 但是每當發(fā)現(xiàn)需要使用一些循環(huán)函數(shù)（例如 apply、applymap 或 itertuples）時，花點時間看看想要做的事情是否可以矢量化是一個非常好的習慣。

數(shù)據(jù)類型，dtypes！

我們可以根據(jù)內(nèi)存使用情況指定數(shù)據(jù)類型。

pandas中最糟糕也是最耗內(nèi)存的數(shù)據(jù)類型是 object，這也恰好限制了 Pandas 的一些功能。 剩下的我們還有浮點數(shù)和整數(shù)。 以下這張表是pandas的所有類型：

Pandas命名方式中，數(shù)據(jù)類型名稱之后的數(shù)字表示此數(shù)據(jù)類型中的每個數(shù)字將占用多少位內(nèi)存。 因此，我們的想法是將數(shù)據(jù)集中的每一列都轉(zhuǎn)換為盡可能小的子類型。 我們只要根據(jù)規(guī)則來判斷就可以了，這是規(guī)則表：

通常，根據(jù)上表將浮點數(shù)轉(zhuǎn)換為 float16/32 并將具有正整數(shù)和負整數(shù)的列轉(zhuǎn)換為 int8/16/32。 還可以將 uint8 用于布爾值和僅正整數(shù)，以進一步減少內(nèi)存消耗。

這個函數(shù)你一定很眼熟，因為他在Kaggle中被廣泛使用，它根據(jù)上表將浮點數(shù)和整數(shù)轉(zhuǎn)換為它們的最小子類型：

def reduce_memory_usage(df, verbose=True):
    numerics = ["int8", "int16", "int32", "int64", "float16", "float32", "float64"]
    start_mem = df.memory_usage().sum() / 1024 ** 2
    for col in df.columns:
        col_type = df[col].dtypes
        if col_type in numerics:
            c_min = df[col].min()
            c_max = df[col].max()
            if str(col_type)[:3] == "int":
                if c_min > np.iinfo(np.int8).min and c_max < np.iinfo(np.int8).max:
                    df[col] = df[col].astype(np.int8)
                elif c_min > np.iinfo(np.int16).min and c_max < np.iinfo(np.int16).max:
                    df[col] = df[col].astype(np.int16)
                elif c_min > np.iinfo(np.int32).min and c_max < np.iinfo(np.int32).max:
                    df[col] = df[col].astype(np.int32)
                elif c_min > np.iinfo(np.int64).min and c_max < np.iinfo(np.int64).max:
                    df[col] = df[col].astype(np.int64)
            else:
                if (
                    c_min > np.finfo(np.float16).min
                    and c_max < np.finfo(np.float16).max
                ):
                    df[col] = df[col].astype(np.float16)
                elif (
                    c_min > np.finfo(np.float32).min
                    and c_max < np.finfo(np.float32).max
                ):
                    df[col] = df[col].astype(np.float32)
                else:
                    df[col] = df[col].astype(np.float64)
    end_mem = df.memory_usage().sum() / 1024 ** 2
    if verbose:
        print(
            "Mem. usage decreased to {:.2f} Mb ({:.1f}% reduction)".format(
                end_mem, 100 * (start_mem - end_mem) / start_mem
            )
        )
    return df

讓我們在 TPS 十月份的數(shù)據(jù)上使用它，看看我們能減少多少：

>>> reduce_memory_usage(tps_october)
Mem. usage decreased to 509.26 Mb (76.9% reduction)

我們將數(shù)據(jù)集從原來的 2.2GB 壓縮到 510MB。當我們將df保存到csv文件時，這種內(nèi)存消耗的減少會丟失因為csv還是以字符串的形式保存的，但是如果使用pickle保存那就沒問題了。

為什么要減小內(nèi)存占用呢？ 在使用大型機器學習模型處理此類數(shù)據(jù)集時，內(nèi)存的占用和消耗起著重要作用。 一旦遇到一些 OutOfMemory 錯誤，你就會開始追趕并學習這樣的技巧來讓計算機保持愉快的工作（誰讓Kaggle只給16G的內(nèi)存呢，都是逼出來的）。

不設置樣式

Pandas 最美妙的功能之一是它能夠在顯示DF時設定不同的樣式，在 Jupyter 中將原始DF呈現(xiàn)為帶有一些 CSS HTML 表格。

Pandas 允許通過 style 屬性對其 DataFrame 進行樣式設置。

tps_october.sample(20, axis=1).describe().T.style.bar(
    subset=["mean"], color="#205ff2"
).background_gradient(subset=["std"], cmap="Reds").background_gradient(
    subset=["50%"], cmap="coolwarm"
)

我們隨機選擇 20 列，為它們創(chuàng)建一個 5 位數(shù)的匯總，并轉(zhuǎn)置結(jié)果，根據(jù)它們的大小為均值、標準差和中值列著色。添加這樣的樣式可以讓我們更輕松地發(fā)現(xiàn)原始數(shù)字中的模式，設置無需使用其他的可視化庫。

實際上，不對df進行樣式設置并沒有錯。 但是這的確是一個很好的功能，對吧。

使用 CSV格式保存文件

就像讀取 CSV 文件非常慢一樣，將數(shù)據(jù)保存回它們也是如此。 以下是將 TPS 十月數(shù)據(jù)保存到 CSV 所需的時間：

%%time

tps_october.to_csv("data/copy.csv")

------------------------------------------

Wall time: 2min 43s

花了將近3分鐘。 為了節(jié)省時間可以保存為parquet，feather 甚至pickle。

%%time

tps_october.to_feather("data/copy.feather")

Wall time: 1.05 s

--------------------------------------------------------------------------------

%%time

tps_october.to_parquet("data/copy.parquet")

Wall time: 7.84 s

不看文檔！

實際上，這個對我來說最嚴重的錯誤是沒有閱讀Pandas 的文檔。但是一般情況下沒人會閱讀文檔，對吧。有時候 我們寧愿在互聯(lián)網(wǎng)上搜索數(shù)小時也不愿閱讀文檔。

但是當涉及到 Pandas 時，這個就是一個非常大的錯誤了。因為它像sklearn一樣有一個出色的用戶指南，涵蓋從基礎知識到如何貢獻代碼，甚至是如何設置更漂亮的主題（也許可能就是因為太多了，所以沒人看）。

我今天提到的所有錯誤都可以在文檔中找到。 甚至在文檔的“大型數(shù)據(jù)集”部分會專門告訴你使用其他軟件包（如 Dask）來讀取大文件并遠離 Pandas。 其實如果我有時間從頭到尾閱讀用戶指南，我可能會提出 50 個新手錯誤，所以還是看看文檔吧。

總結(jié)

今天，我們學習了新手在使用Pandas時最常犯的六個錯誤。

我們這里提到的錯誤大部分和大數(shù)據(jù)集有關(guān)，只有當使用GB大小的數(shù)據(jù)集時可能才會出現(xiàn)。如果你還在處理泰坦尼克這種新手數(shù)據(jù)集，你可能都不會感覺到有這些問題。但是當你開始處理真實世界的數(shù)據(jù)集時，這些概念會讓別人覺得你不是一個新手而是真正有過實際經(jīng)驗的人。

到此這篇關(guān)于pandas初學者容易犯的六個錯誤總結(jié)的文章就介紹到這了,更多相關(guān)pandas初學者易犯錯誤內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論