groupby 在 pandas 中的最后一个性能问题

Question

我有一个包含两列和十万多元素的 DataFrame。

In [43]: df.head(10)
Out[43]:
                    localtime                 ref
4  2014-04-02 12:00:00.273537  139058754703810577
5  2014-04-02 12:00:02.223501  139058754703810576
6  2014-04-02 12:00:03.518817  139058754703810576
7  2014-04-02 12:00:03.572082  139058754703810576
8  2014-04-02 12:00:03.572444  139058754703810576
9  2014-04-02 12:00:03.572571  139058754703810576
10 2014-04-02 12:00:03.573320  139058754703810576
11 2014-04-02 12:00:09.278517  139058754703810576
14 2014-04-02 12:00:20.942802  139058754703810577
15 2014-04-02 12:01:13.410607  139058754703810576

[10 rows x 2 columns]

In [44]: df.dtypes
Out[44]:
localtime    datetime64[ns]
ref                   int64
dtype: object

In [45]: len(df)
Out[45]: 111743

In [46]: g = df.groupby('ref')

如果我请求组中的最后一个元素，函数就会挂起！

In [47]: %timeit g.last()

我在 6 分钟后杀死了它； top 显示 CPU 始终处于 100%。

如果我明确地请求localtime 列，这至少会返回，尽管它的元素数量似乎仍然非常慢。

In [48]: %timeit g['localtime'].last()
1 loops, best of 3: 4.6 s per loop

我有什么遗漏吗？这是熊猫 0.13.1。

---

datetime64 类型出现此问题。假设我直接从文件中读取：

In [1]: import pandas as pd

In [2]: df = pd.read_csv('so.csv')

In [3]: df.dtypes
Out[3]:
localtime    object
ref           int64
dtype: object

In [4]: %timeit df.groupby('ref').last()
10 loops, best of 3: 28.1 ms per loop

object 类型工作得很好。但是，如果我输入时间戳，一切都会崩溃：

In [5]: df.localtime = pd.to_datetime(df.localtime)

In [6]: df.dtypes
Out[6]:
localtime    datetime64[ns]
ref                   int64
dtype: object

In [7]: %timeit df.groupby('ref').last()

情节变厚了。

---

使用 Jeff 的建议，在没有数据文件的情况下进行复制：

In [70]: rng = pd.date_range('20130101',periods=20,freq='s')

In [71]: df = pd.DataFrame(dict(timestamp = rng.take(np.random.randint(0,20,size=100000)), value = np.random.randint(0,100,size=100000)*1000000))

In [72]: %timeit df.groupby('value').last()
1 loops, best of 3: 332 ms per loop

但是，如果我改变随机整数的范围，那么问题又出现了！

In [73]: df = pd.DataFrame(dict(timestamp = rng.take(np.random.randint(0,20,size=100000)), value = np.random.randint(0,100000,size=100000)*1000))

In [74]: %timeit df.groupby('value').last()                                                           

我只是增加了第二个randint()的high参数，这意味着groupby()的长度会更大。这在没有数据文件的情况下重现了我的错误。

请注意，如果我放弃datetime64 类型，则没有问题：

In [12]: df = pd.DataFrame(dict(timestamp = np.random.randint(0,20,size=100000), value = np.random.randint(0,100000,size=100000)*1000))

In [13]: %timeit df.groupby('value').last()
100 loops, best of 3: 14.4 ms per loop

所以罪魁祸首是在datetime64 上缩放last()。

Answer 1

一定是发生了什么奇怪的事情……在 0.13.1（和主版本）中看起来不错。发布一个指向您的文件的链接，我会看看。

In [3]: rng = date_range('20130101',periods=20,freq='s')

In [4]: df = DataFrame(dict(timestamp = rng.take(np.random.randint(0,20,size=100000)), value = np.random.randint(0,100,size=100000)*1000000))

In [5]: df.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 100000 entries, 0 to 99999
Data columns (total 2 columns):
timestamp    100000 non-null datetime64[ns]
value        100000 non-null int64
dtypes: datetime64[ns](1), int64(1)
In [6]: %timeit df.groupby('value')['timestamp'].last()
100 loops, best of 3: 9.07 ms per loop

In [7]: %timeit df.groupby('value')['timestamp'].tail(1)
100 loops, best of 3: 16.3 ms per loop

好的，解释如下：

使用np.random.randint(0,100,size=100000) 获取价值，创建 100 个组， 而np.random.randint(0,100000,size=100000) 创造了更多（在我的例子中 63000) 左右。

.last (in non-nan 值。这个 na 测试并不便宜，因此扩展性能很差（并且在每个组的 python 空间中完成）。

另一方面，tail(1)（在

在 0.14 中，这些将是相同的（即使您这样做：nth(-1,dropna='any') 将复制 last 在这里所做的事情，这样做的方式是有更好的性能。（感谢@Andy海登）。

底线是在 tail(1)。