高效转换大熊猫 DataFrame

Question

我有几个指标（每秒 2000 行 x 100 列数据帧，可能更大），我想将它们存储在 OpenTSDB 中。为此，我需要以数据库可以理解的方式格式化这些值，telnet style 或 json style。

问题在于，对于一​​个简单的 python 函数，我无法足够快地处理它们。这是我的第一种方法：

def ndarray_to_opentsdb_series_comprehension(frame, table, **tags):
    series = [{
        "metric": '{table}.{col}'.format(
            table=table, col=frame.columns[col].item()
         ),
         "timestamp": frame.index[idx].item(),
         "value": val.item(),
         "tags": tags
    } for col, serie in frame.iteritems() for idx, val in serie.iteritems()]
    return json.dumps(series)

在 2000x100 数据帧上使用 timeit，我得到：

In [1]: %timeit utilities.ndarray_to_opentsdb_series_comprehension(f, 't1', p1='p1')
1 loops, best of 3: 3.9 s per loop

然后我尝试使用DataFrame.apply 函数更有效地迭代我的数据，但我必须多次这样做才能获得我需要的所有信息：

def ndarray_to_opentsdb_series_tmp_df(frame, table, **tags):
    tags_str = ' '.join('{k}={v}'.format(k=k, v=v) for k, v in tags.items())
    df = frame.apply(lambda s: s.apply(lambda e: '{ts} {v} {tags}'.format(ts=s.name, v=e, tags=tags_str)), axis=1)
    df = df.apply(lambda s: s.apply(lambda e: '{table}.{col} {v}'.format(table=table, col=s.name, v=e)), axis=0)
    flat = [e for l in df.values.tolist() for e in l]
    return '\n'.join(flat)

（我尝试了其他没有创建多个数据帧的实现，但它大致和这个一样快）。

在这里，timeit 说：

In[1]: %timeit utilities.ndarray_to_opentsdb_series_tmp_df(f, 't1', p1='p1')
1 loops, best of 3: 2.59 s per loop

我已经获得了超过一秒钟的时间，但这还不够，我需要能够在一秒钟内处理这么多数据。在我的测试中，我意识到最耗时的是在我的 DataFrame 中检索给定值的索引列对，但我需要这些来构建我的 OpenTSDB 请求。

有没有办法只使用 python 来处理大数据帧，或者我应该尝试在 Cython 中实现这个逻辑？我知道我可以获得巨大的改进，但我想在尝试使用低级语言进行优化之前确保我拥有最佳的 Python 代码。

Answer 1

好的，我设法在 ~.5 秒内处理了我的 2000 行 x 100 列 DataFrame。在ipython 中使用prun，我发现访问frame.columns 和frame.index 很昂贵，就像使用string.format 一样。

我选择首先使用 tolist() 方法将我的 DataFrame 的列和索引都转换为 Python 列表，然后对其进行索引。我停止使用string.format 并改用% 格式化程序（仅此一项就减少了我的函数的执行时间！）。

另外，我使用DataFrame.apply 方法的raw 属性来获取numpy.ndarray 作为我的lambda 函数的参数，而不是pandas.Series。然后我使用列表推导对其进行迭代。

这是我修改后的函数：

def ndarray_to_opentsdb_series(frame, table, **tags):
    tags_str = ' '.join('{k}={v}'.format(k=k, v=v) for k, v in tags.items())
    indices = frame.index.tolist()
    columns = frame.columns.tolist()
    df = frame.apply(lambda s: ['%d %d %s' % (indices[i], e, tags_str) for i, e in enumerate(s)], axis=0, raw=True)
    df = df.apply(lambda s: ['%s.%d %s' % (table, columns[i], e) for i, e in enumerate(s)], axis=1, raw=True)
    flat = [e for l in df.values.tolist() for e in l]
    return '\n'.join(flat)

只需将其编译为 Cython 代码即可将运行时间再缩短 100 毫秒，我现在将尝试在 Cython 中对其进行更多优化。