我什么时候应该（不）想在我的代码中使用 pandas apply()？

Question

我已经看到很多关于 Stack Overflow 上涉及使用 Pandas 方法apply 的问题的答案。我还看到用户在他们下面评论说“apply 很慢，应该避免”。

我已经阅读了很多关于性能主题的文章，这些文章解释了apply 的速度很慢。我还在文档中看到了关于 apply 如何只是传递 UDF 的便捷函数的免责声明（现在似乎找不到）。因此，普遍的共识是尽可能避免使用apply。然而，这引发了以下问题：

1. 如果apply 如此糟糕，那为什么它会出现在 API 中？
2. 我应该如何以及何时让我的代码apply-free？
3. 在任何情况下apply好（比其他可能的解决方案更好）？

Answer 1

apply，你从来不需要的便捷功能

我们从一一解决 OP 中的问题开始。

“如果apply这么糟糕，那为什么在API中呢？”

DataFrame.apply 和 Series.apply 分别是在 DataFrame 和 Series 对象上定义的便利函数。 apply 接受任何用户定义的在 DataFrame 上应用转换/聚合的函数。 apply 是有效的灵丹妙药，可以完成任何现有 pandas 功能无法完成的任务。

apply 可以做的一些事情：

• 在 DataFrame 或 Series 上运行任何用户定义的函数
• 在 DataFrame 上按行 (axis=1) 或按列 (axis=0) 应用函数
• 在应用函数时执行索引对齐
• 使用用户定义的函数执行聚合（但是，在这些情况下，我们通常更喜欢 agg 或 transform）
• 执行元素转换
• 将聚合结果广播到原始行（请参阅result_type 参数）。
• 接受位置/关键字参数以传递给用户定义的函数。

...等等。有关详细信息，请参阅文档中的 Row or Column-wise Function Application。

那么，有了所有这些功能，为什么apply 不好？这是因为apply 慢。 Pandas 不对您的函数的性质做出任何假设，因此根据需要迭代地将您的函数应用于每一行/列。此外，处理上述所有情况意味着apply 在每次迭代中都会产生一些重大开销。此外，apply 消耗更多的内存，这对内存受限的应用程序来说是一个挑战。

在极少数情况下apply 适合使用（更多内容见下文）。 如果您不确定是否应该使用apply，您可能不应该使用。

---

---

让我们解决下一个问题。

“我应该如何以及何时让我的代码apply-free？”

换种说法，这里有一些常见的情况，您希望摆脱对apply的任何调用。

数值数据

如果您正在处理数字数据，可能已经有一个矢量化 cython 函数可以完全满足您的要求（如果没有，请在 Stack Overflow 上提问或在 GitHub 上打开功能请求） .

对比apply简单加法运算的性能。

df = pd.DataFrame({"A": [9, 4, 2, 1], "B": [12, 7, 5, 4]})
df

   A   B
0  9  12
1  4   7
2  2   5
3  1   4

df.apply(np.sum)

A    16
B    28
dtype: int64

df.sum()

A    16
B    28
dtype: int64

性能方面，没有可比性，cythonized 等价物要快得多。不需要图表，因为即使是玩具数据，差异也很明显。

%timeit df.apply(np.sum)
%timeit df.sum()
2.22 ms ± 41.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
471 µs ± 8.16 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

即使您启用使用 raw 参数传递原始数组，它的速度仍然是原来的两倍。

%timeit df.apply(np.sum, raw=True)
840 µs ± 691 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

另一个例子：

df.apply(lambda x: x.max() - x.min())

A    8
B    8
dtype: int64

df.max() - df.min()

A    8
B    8
dtype: int64

%timeit df.apply(lambda x: x.max() - x.min())
%timeit df.max() - df.min()

2.43 ms ± 450 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
1.23 ms ± 14.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

一般来说，尽可能寻找矢量化替代方案。

---

字符串/正则表达式

Pandas 在大多数情况下都提供“矢量化”字符串函数，但在极少数情况下，这些函数不...“应用”，可以这么说。

一个常见的问题是检查一列中的值是否存在于同一行的另一列中。

df = pd.DataFrame({
    'Name': ['mickey', 'donald', 'minnie'],
    'Title': ['wonderland', "welcome to donald's castle", 'Minnie mouse clubhouse'],
    'Value': [20, 10, 86]})
df

     Name  Value                       Title
0  mickey     20                  wonderland
1  donald     10  welcome to donald's castle
2  minnie     86      Minnie mouse clubhouse

这应该返回第二行和第三行，因为“donald”和“minnie”出现在它们各自的“Title”列中。

使用 apply，这将使用

df.apply(lambda x: x['Name'].lower() in x['Title'].lower(), axis=1)

0    False
1     True
2     True
dtype: bool
 
df[df.apply(lambda x: x['Name'].lower() in x['Title'].lower(), axis=1)]

     Name                       Title  Value
1  donald  welcome to donald's castle     10
2  minnie      Minnie mouse clubhouse     86

但是，使用列表推导存在更好的解决方案。

df[[y.lower() in x.lower() for x, y in zip(df['Title'], df['Name'])]]

     Name                       Title  Value
1  donald  welcome to donald's castle     10
2  minnie      Minnie mouse clubhouse     86

%timeit df[df.apply(lambda x: x['Name'].lower() in x['Title'].lower(), axis=1)]
%timeit df[[y.lower() in x.lower() for x, y in zip(df['Title'], df['Name'])]]

2.85 ms ± 38.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
788 µs ± 16.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

这里要注意的是迭代例程恰好比apply 快，因为开销较低。如果您需要处理 NaN 和无效 dtypes，您可以使用自定义函数在此基础上进行构建，然后可以在列表推导中使用参数调用。

有关何时应将列表推导视为一个好的选择的更多信息，请参阅我的文章：Are for-loops in pandas really bad? When should I care?。

注意
日期和日期时间操作也有矢量化版本。因此，例如，您应该更喜欢 pd.to_datetime(df['date'])，而不是， 比如说df['date'].apply(pd.to_datetime)。

阅读更多 docs.

---

一个常见的陷阱：列表爆炸列

s = pd.Series([[1, 2]] * 3)
s

0    [1, 2]
1    [1, 2]
2    [1, 2]
dtype: object

人们很想使用apply(pd.Series)。就性能而言，这可怕。

s.apply(pd.Series)

   0  1
0  1  2
1  1  2
2  1  2

更好的选择是列出列并将其传递给 pd.DataFrame。

pd.DataFrame(s.tolist())

   0  1
0  1  2
1  1  2
2  1  2

%timeit s.apply(pd.Series)
%timeit pd.DataFrame(s.tolist())

2.65 ms ± 294 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
816 µs ± 40.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

---

---

最后，

“有apply好的情况吗？”

Apply 是一个方便的函数，所以 在 的情况下开销可以忽略不计，可以原谅。这真的取决于函数被调用了多少次。

为系列矢量化的函数，而不是数据帧
如果你想对多个列应用字符串操作怎么办？如果要将多列转换为日期时间怎么办？这些函数仅针对 Series 进行了矢量化处理，因此它们必须应用您要转换/操作的每一列。

df = pd.DataFrame(
         pd.date_range('2018-12-31','2019-01-31', freq='2D').date.astype(str).reshape(-1, 2), 
         columns=['date1', 'date2'])
df

       date1      date2
0 2018-12-31 2019-01-02
1 2019-01-04 2019-01-06
2 2019-01-08 2019-01-10
3 2019-01-12 2019-01-14
4 2019-01-16 2019-01-18
5 2019-01-20 2019-01-22
6 2019-01-24 2019-01-26
7 2019-01-28 2019-01-30

df.dtypes

date1    object
date2    object
dtype: object
    

这是apply 的可接受案例：

df.apply(pd.to_datetime, errors='coerce').dtypes

date1    datetime64[ns]
date2    datetime64[ns]
dtype: object

请注意，stack 也有意义，或者只使用显式循环。所有这些选项都比使用apply 稍快，但差异小到可以原谅。

%timeit df.apply(pd.to_datetime, errors='coerce')
%timeit pd.to_datetime(df.stack(), errors='coerce').unstack()
%timeit pd.concat([pd.to_datetime(df[c], errors='coerce') for c in df], axis=1)
%timeit for c in df.columns: df[c] = pd.to_datetime(df[c], errors='coerce')

5.49 ms ± 247 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
3.94 ms ± 48.1 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
3.16 ms ± 216 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
2.41 ms ± 1.71 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

您可以为其他操作（例如字符串操作或转换为类别）进行类似的案例。

u = df.apply(lambda x: x.str.contains(...))
v = df.apply(lambda x: x.astype(category))

v/s

u = pd.concat([df[c].str.contains(...) for c in df], axis=1)
v = df.copy()
for c in df:
    v[c] = df[c].astype(category)

等等……

---

将系列转换为 str：astype 与 apply

这似乎是 API 的一个特点。使用apply 将系列中的整数转换为字符串与使用astype 相当（有时更快）。

该图是使用perfplot 库绘制的。

import perfplot

perfplot.show(
    setup=lambda n: pd.Series(np.random.randint(0, n, n)),
    kernels=[
        lambda s: s.astype(str),
        lambda s: s.apply(str)
    ],
    labels=['astype', 'apply'],
    n_range=[2**k for k in range(1, 20)],
    xlabel='N',
    logx=True,
    logy=True,
    equality_check=lambda x, y: (x == y).all())

使用浮点数，我看到astype 始终与apply 一样快，或者略快于apply。所以这与测试中的数据是整数类型有关。

---

GroupBy 具有链式转换的操作

GroupBy.apply 直到现在还没有被讨论过，但GroupBy.apply 也是一个迭代便捷函数，可以处理现有GroupBy 函数不能处理的任何事情。

一个常见的要求是执行 GroupBy，然后执行两个素数运算，例如“滞后 cumsum”：

df = pd.DataFrame({"A": list('aabcccddee'), "B": [12, 7, 5, 4, 5, 4, 3, 2, 1, 10]})
df

   A   B
0  a  12
1  a   7
2  b   5
3  c   4
4  c   5
5  c   4
6  d   3
7  d   2
8  e   1
9  e  10

你需要两个连续的 groupby 调用：

df.groupby('A').B.cumsum().groupby(df.A).shift()
 
0     NaN
1    12.0
2     NaN
3     NaN
4     4.0
5     9.0
6     NaN
7     3.0
8     NaN
9     1.0
Name: B, dtype: float64

使用apply，您可以将其缩短为一次调用。

df.groupby('A').B.apply(lambda x: x.cumsum().shift())

0     NaN
1    12.0
2     NaN
3     NaN
4     4.0
5     9.0
6     NaN
7     3.0
8     NaN
9     1.0
Name: B, dtype: float64

性能很难量化，因为它取决于数据。但总的来说，如果目标是减少对groupby 的调用，apply 是一个可以接受的解决方案（因为groupby 也非常昂贵）。

---

---

其他注意事项

除了上面提到的注意事项之外，还值得一提的是apply 对第一行（或列）进行了两次操作。这样做是为了确定函数是否有任何副作用。如果没有，apply 可能能够使用快速路径来评估结果，否则它会退回到缓慢的实现。

df = pd.DataFrame({
    'A': [1, 2],
    'B': ['x', 'y']
})

def func(x):
    print(x['A'])
    return x

df.apply(func, axis=1)

# 1
# 1
# 2
   A  B
0  1  x
1  2  y

在 GroupBy.apply 中也可以看到这种行为（它已针对 0.25、see here for more information 进行了修复。）

Answer 2

并非所有applys 都是一样的

下图建议何时考虑apply¹。绿色意味着可能有效率；红色避免。

其中一些很直观：pd.Series.apply 是 Python 级的逐行循环，pd.DataFrame.apply 逐行循环 (axis=1)。对这些的滥用是很多和广泛的。另一篇文章更深入地讨论了它们。流行的解决方案是使用矢量化方法、列表推导（假设数据干净）或有效的工具，例如 pd.DataFrame 构造函数（例如，避免使用 apply(pd.Series)）。

如果您按行使用pd.DataFrame.apply，指定raw=True（如果可能）通常是有益的。在这个阶段，numba 通常是更好的选择。

GroupBy.apply: 普遍青睐

重复groupby 操作以避免apply 会损害性能。 GroupBy.apply 通常在这里很好，前提是您在自定义函数中使用的方法本身是矢量化的。有时，您希望应用的分组聚合没有本机 Pandas 方法。在这种情况下，对于少数群体apply，使用自定义函数仍可能提供合理的性能。

pd.DataFrame.apply column-wise：鱼龙混杂

pd.DataFrame.apply column-wise (axis=0) 是一个有趣的案例。对于少量的行与大量的列，它几乎总是很昂贵。对于相对于列的大量行（更常见的情况），您可能有时使用apply 看到显着的性能改进：

# Python 3.7, Pandas 0.23.4
np.random.seed(0)
df = pd.DataFrame(np.random.random((10**7, 3)))     # Scenario_1, many rows
df = pd.DataFrame(np.random.random((10**4, 10**3))) # Scenario_2, many columns

                                               # Scenario_1  | Scenario_2
%timeit df.sum()                               # 800 ms      | 109 ms
%timeit df.apply(pd.Series.sum)                # 568 ms      | 325 ms

%timeit df.max() - df.min()                    # 1.63 s      | 314 ms
%timeit df.apply(lambda x: x.max() - x.min())  # 838 ms      | 473 ms

%timeit df.mean()                              # 108 ms      | 94.4 ms
%timeit df.apply(pd.Series.mean)               # 276 ms      | 233 ms

---

¹ 有例外，但这些通常是微不足道的或不常见的。举几个例子：

1. df['col'].apply(str) 的表现可能略优于 df['col'].astype(str)。
2. 与常规 for 循环相比，df.apply(pd.to_datetime) 处理字符串不能很好地随行扩展。

Answer 3

对于axis=1（即逐行函数），您可以使用以下函数代替apply。我想知道为什么这不是 pandas 行为。 （未经复合索引测试，但它似乎比apply 快得多）

def faster_df_apply(df, func):
    cols = list(df.columns)
    data, index = [], []
    for row in df.itertuples(index=True):
        row_dict = {f:v for f,v in zip(cols, row[1:])}
        data.append(func(row_dict))
        index.append(row[0])
    return pd.Series(data, index=index)

Answer 4

有没有apply好的情况？ 是的，有时。

任务：解码 Unicode 字符串。

import numpy as np
import pandas as pd
import unidecode

s = pd.Series(['mañana','Ceñía'])
s.head()
0    mañana
1     Ceñía


s.apply(unidecode.unidecode)
0    manana
1     Cenia

更新
我绝不是提倡使用apply，只是认为NumPy不能处理上述情况，它可能是pandas apply的一个很好的候选者。但是由于@jpp 的提醒，我忘记了普通的 ol 列表理解。