Pandas：在 dropna 后就地重命名的特殊性能下降

Question

我已在pandas issues 上将此问题报告为问题。 同时，我在这里发布此内容，希望能节省其他人的时间，以防他们遇到类似问题。

在分析需要优化的进程时，我发现重命名列未就地提高 x120 的性能（执行时间）。 分析表明这与垃圾收集有关（见下文）。

此外，通过避免 dropna 方法恢复了预期的性能。

以下简短示例演示了一个因子 x12：

import pandas as pd
import numpy as np

就地=真

%%timeit
np.random.seed(0)
r,c = (7,3)
t = np.random.rand(r)
df1 = pd.DataFrame(np.random.rand(r,c), columns=range(c), index=t)
indx = np.random.choice(range(r),r/3, replace=False)
t[indx] = np.random.rand(len(indx))
df2 = pd.DataFrame(np.random.rand(r,c), columns=range(c), index=t)
df = (df1-df2).dropna()
## inplace rename:
df.rename(columns={col:'d{}'.format(col) for col in df.columns}, inplace=True)

100 个循环，3 个循环中的最佳值：每个循环 15.6 毫秒

%%prun的第一行输出：

ncalls tottime percall cumtime percall filename:lineno(function)

1  0.018 0.018 0.018 0.018 {gc.collect}

就地=假

%%timeit
np.random.seed(0)
r,c = (7,3)
t = np.random.rand(r)
df1 = pd.DataFrame(np.random.rand(r,c), columns=range(c), index=t)
indx = np.random.choice(range(r),r/3, replace=False)
t[indx] = np.random.rand(len(indx))
df2 = pd.DataFrame(np.random.rand(r,c), columns=range(c), index=t)
df = (df1-df2).dropna()
## avoid inplace:
df = df.rename(columns={col:'d{}'.format(col) for col in df.columns})

1000 次循环，3 次中的最佳：每个循环 1.24 毫秒

避免掉线

通过避免dropna方法恢复了预期的性能：

%%timeit
np.random.seed(0)
r,c = (7,3)
t = np.random.rand(r)
df1 = pd.DataFrame(np.random.rand(r,c), columns=range(c), index=t)
indx = np.random.choice(range(r),r/3, replace=False)
t[indx] = np.random.rand(len(indx))
df2 = pd.DataFrame(np.random.rand(r,c), columns=range(c), index=t)
#no dropna:
df = (df1-df2)#.dropna()
## inplace rename:
df.rename(columns={col:'d{}'.format(col) for col in df.columns}, inplace=True)

1000 次循环，3 次中的最佳：每个循环 865 µs

%%timeit
np.random.seed(0)
r,c = (7,3)
t = np.random.rand(r)
df1 = pd.DataFrame(np.random.rand(r,c), columns=range(c), index=t)
indx = np.random.choice(range(r),r/3, replace=False)
t[indx] = np.random.rand(len(indx))
df2 = pd.DataFrame(np.random.rand(r,c), columns=range(c), index=t)
## no dropna
df = (df1-df2)#.dropna()
## avoid inplace:
df = df.rename(columns={col:'d{}'.format(col) for col in df.columns})

1000 次循环，3 次中的最佳：每个循环 902 µs

Answer 1

这是复制github上的解释。

无法保证inplace 操作实际上更快。通常它们实际上是对副本起作用的相同操作，但重新分配了顶级引用。

这种情况下性能差异的原因如下。

(df1-df2).dropna() 调用创建数据帧的切片。当您应用新操作时，这会触发 SettingWithCopy 检查，因为它可能是一个副本（但通常不是）。

此检查必须执行垃圾回收以清除一些缓存引用以查看它是否是副本。不幸的是，python 语法使这不可避免。

你不会发生这种情况，只需先制作一个副本。

df = (df1-df2).dropna().copy()

随后的 inplace 操作将与以前一样高效。

我的个人意见：我从不使用就地操作。语法更难阅读，也没有任何优势。