[英]Increase performance of df.rolling(...).apply(...) for large dataframes
此代码的执行时间太长。
df.rolling(window=255).apply(myFunc)
我的数据框形状是 (500, 10000)。
0 1 ... 9999
2021-11-01 0.011111 0.054242
2021-11-04 0.025244 0.003653
2021-11-05 0.524521 0.099521
2021-11-06 0.054241 0.138321
...
我用最后 255 个日期值对每个日期进行计算。 我的函数看起来像:
def myFunc(x):
coefs = ...
return np.sqrt(np.sum(x ** 2 * coefs))
我尝试使用 swifter 但性能是一样的:
import swifter
df.swifter.rolling(window=255).apply(myFunc)
我也尝试过 Dask,但我认为我不太了解它,因为性能并没有好多少:
import dask.dataframe as dd
ddf = dd.from_pandas(df)
ddf = ddf.rolling(window=255).apply(myFunc, raw=False)
ddf.execute()
我没有设法将执行与分区并行化。 如何使用 dask 来提高性能? 我在 Windows。
这可以使用numpy
+ numba
非常有效地完成。
快速 MRE:
import numpy as np, pandas as pd, numba
df = pd.DataFrame(
np.random.random(size=(500, 10000)),
index=pd.date_range("2021-11-01", freq="D", periods=500)
)
coefs = np.random.random(size=255)
使用纯 numpy 操作和简单循环编写 function,利用numba.njit(parallel=True)
和numba.prange
:
@numba.njit(parallel=True)
def numba_func(values, coefficients):
# define result array: size of original, minus length of
# coefficients, + 1
result_tmp = np.zeros(
shape=(values.shape[0] - len(coefficients) + 1, values.shape[1]),
dtype=values.dtype,
)
result_final = np.empty_like(result_tmp)
# nested for loops are your friend with numba!
# (you must unlearn what you have learned)
for j in numba.prange(values.shape[1]):
for i in range(values.shape[0] - len(coefficients) + 1):
for k in range(len(coefficients)):
result_tmp[i, j] += values[i + k, j] ** 2 * coefficients[k]
result_final[:, j] = np.sqrt(result_tmp[:, j])
return result_final
这运行得非常快:
In [5]: %%time
...: result = pd.DataFrame(
...: numba_func(df.values, coefs),
...: index=df.index[len(coefs) - 1:],
...: )
...:
...:
CPU times: user 1.69 s, sys: 40.9 ms, total: 1.73 s
Wall time: 844 ms
注意:我是 dask 的超级粉丝。 但是 dask 性能的第一条规则是 不要使用 dask 。 如果它足够小,可以轻松放入 memory,您通常会通过调整 pandas 或 numpy 操作并利用 cython、numba 等的加速来获得最佳性能。一旦问题大到足以转移到 dask,这些相同的调整规则也适用于您在 dask 块/分区上执行的操作!
首先,由于您使用的是numpy
函数,因此指定参数raw=True
。 玩具示例:
import pandas as pd
import numpy as np
def foo(x):
coefs = 2
return np.sqrt(np.sum(x ** 2 * coefs))
df = pd.DataFrame(np.random.random((500, 10000)))
%%time
res = df.rolling(250).apply(foo)
Wall time: 359.3 s
# with raw=True
%%time
res = df.rolling(250).apply(foo, raw=True)
Wall time: 15.2 s
您还可以使用parallel-pandas库轻松并行化计算。 只有两行额外的代码!
# pip install parallel-pandas
import pandas as pd
import numpy as np
from parallel_pandas import ParallelPandas
#initialize parallel-pandas
ParallelPandas.initialize(n_cpu=8, disable_pr_bar=True)
def foo(x):
coefs = 2
return np.sqrt(np.sum(x ** 2 * coefs))
df = pd.DataFrame(np.random.random((500, 1000)))
# p_apply - is parallel analogue of apply method
%%time
res = df.rolling(250).p_apply(foo, raw=True, executor='processes')
Wall time: 2.2 s
随着engine='numba'
%%time
res = df.rolling(250).p_apply(foo, raw=True, executor='processes', engine='numba')
Wall time: 1.2 s
总加速比为359/1.2 ~ 300
!
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.