jited 函数的不一致行为

Question

我有这样一个非常简单的函数：

import numpy as np
from numba import jit
import pandas as pd

@jit
def f_(n, x, y, z):
    for i in range(n):
        z[i] = x[i] * y[i] 

f_(df.shape[0], df["x"].values, df["y"].values, df["z"].values)

我经过的地方

df = pd.DataFrame({"x": [1, 2, 3], "y": [3, 4, 5], "z": np.NaN})

我希望该函数会像这样修改数据z 列：

>>> f_(df.shape[0], df["x"].values, df["y"].values, df["z"].values)
>>> df

   x  y     z
0  1  3   3.0
1  2  4   8.0
2  3  5  15.0

这在大多数情况下都可以正常工作，但不知何故无法修改其他数据。

我仔细检查了一些东西，然后：

• 我尚未确定任何可能导致此问题的数据点问题。
• 我看到打印结果时数据已按预期修改。
• 如果我从函数返回 z 数组，它会按预期进行修改。

不幸的是，我无法将问题减少到最小的可重现情况。例如，删除不相关的列似乎“修复”了无法减少的问题。

我是否以不打算使用的方式使用jit？我应该注意哪些边境案件？或者它可能是一个错误？

编辑：

我找到了问题的根源。当数据包含重复的列名时会发生这种情况：

>>> df_ = pd.read_json('{"schema": {"fields":[{"name":"index","type":"integer"},{"name":"v","type":"integer"},{"name":"y","type":"integer"},
... {"name":"v","type":"integer"},{"name":"x","type":"integer"},{"name":"z","type":"number"}],"primaryKey":["index"],"pandas_version":"0.20.
... 0"}, "data": [{"index":0,"v":0,"y":3,"v":0,"x":1,"z":null}]}', orient="table")
>>> f_(df_.shape[0], df_["x"].values, df_["y"].values, df_["z"].values)
>>> df_
   v  y  v  x   z
0  0  3  0  1 NaN

如果删除重复项，则该函数将按预期工作：

>>> df_.drop("v", axis="columns", inplace=True)
>>> f_(df_.shape[0], df_["x"].values, df_["y"].values, df_["z"].values)
>>> df_
   y  x    z
0  3  1  3.0

Answer 1

啊，那是因为在您的“失败案例”中，df["z"].values 返回存储在df 的'z' 列中的内容的副本。与numba函数无关：

>>> import pandas as pd
>>> import numpy as np
>>> df = pd.DataFrame([[0, 3, 0, 1, np.nan]], columns=['v', 'y', 'v', 'x', 'z'])
>>> np.shares_memory(df['z'].values, df['z'])
False

在“工作案例”中，它是'z' 列的视图：

>>> df = pd.DataFrame([[0, 3, 1, np.nan]], columns=['v', 'y', 'x', 'z'])
>>> np.shares_memory(df['z'].values, df['z'])
True

注意：这实际上很有趣，因为复制是在您执行 df['z'] 时制作的，而不是在您访问 .values 时制作的。

这里的要点是，您不能期望索引 DataFrame 或访问 Series 的 .values 总是会返回一个视图。因此，就地更新列可能不会更改原始值。不仅重复的列名可能是一个问题。当values 属性返回一个副本并且当它返回一个视图时并不总是清晰的（pd.Series 除外，那么它总是一个视图）。但这些只是实现细节。因此，在这里依赖特定行为绝不是一个好主意。 .values 所做的唯一保证是它返回一个包含相同值的 numpy.ndarray。

不过，只需从函数中返回修改后的 z 列，就很容易避免该问题：

import numba as nb
import numpy as np
import pandas as pd

@nb.njit
def f_(n, x, y, z):
    for i in range(n):
        z[i] = x[i] * y[i] 
    return z  # this is new

然后将函数的结果赋给列：

>>> df = pd.DataFrame([[0, 3, 0, 1, np.nan]], columns=['v', 'y', 'v', 'x', 'z'])
>>> df['z'] = f_(df.shape[0], df["x"].values, df["y"].values, df["z"].values)
>>> df
   v  y  v  x    z
0  0  3  0  1  3.0

>>> df = pd.DataFrame([[0, 3, 1, np.nan]], columns=['v', 'y', 'x', 'z'])
>>> df['z'] = f_(df.shape[0], df["x"].values, df["y"].values, df["z"].values)
>>> df
   v  y  x    z
0  0  3  1  3.0

---

如果您对当前在您的特定案例中发生的事情感兴趣（正如我提到的，我们在这里讨论的是实现细节，所以不要认为这是既定的。这只是它的实现方式现在）。如果你有一个 DataFrame，它会将具有相同 dtype 的列存储在一个多维 NumPy 数组中。如果您访问blocks 属性，则可以看到这一点（已弃用，因为内部存储可能在不久的将来发生变化）：

>>> df = pd.DataFrame([[0, 3, 0, 1, np.nan]], columns=['v', 'y', 'v', 'x', 'z'])
>>> df.blocks
{'float64':
     z
  0  NaN
 , 
 'int64':
     v  y  v  x
  0  0  3  0  1}

通常，通过将列名转换为相应块的列索引，可以很容易地在该块中创建视图。但是，如果您有重复的列名，则不能保证访问任意列是一个视图。例如，如果你想访问'v'，那么它必须用索引 0 和 2 索引 Int64 块：

>>> df = pd.DataFrame([[0, 3, 0, 1, np.nan]], columns=['v', 'y', 'v', 'x', 'z'])
>>> df['v']
   v  v
0  0  0

从技术上讲，可以将非重复列索引为视图（在这种情况下，即使是重复列，例如使用Int64Block[::2]，但这是一个非常特殊的情况......）。如果有重复的列名，Pandas 会选择 always 返回副本的安全选项（如果您考虑一下，这是有道理的。为什么索引一列返回视图而另一列返回副本）。 DataFrame 的索引对重复列有一个 explicit check 并以不同方式处理它们（导致副本）：

    def _getitem_column(self, key):
        """ return the actual column """

        # get column
        if self.columns.is_unique:
            return self._get_item_cache(key)

        # duplicate columns & possible reduce dimensionality
        result = self._constructor(self._data.get(key))
        if result.columns.is_unique:
            result = result[key]

    return result

columns.is_unique 是这里的重要行。你的“正常情况”是True，但“失败情况”是“False”。