數據修改主要以增刪改差為主，這里比較幾種寫法在數據處理時間上的巨大差別。
數據量大概是500萬行級別的數據，文件大小為100M。
1.iloc
iloc是一種速度極其慢的寫法。這里我們對每個csv文件中的每一行循環再用iloc處理，示例代碼如下：
for index in range(len(df)):
df.iloc['attr'][index] = xxx
使用這種方法對五百萬行的數據進行處理大概需要5個小時，實在是很慢。
2.at
at相比于iloc有了很大的性能提升，也是for循環處理，示例代碼如下：
for i in range(len(df)):
if df.at[i,'attr'] > 0:
sum_positive += df.at[i,'attr']
else:
sum_negetive += df.at[i,'sttr']
在我的程序里at和iloc是可以通用的，用at，程序的速度會有大幅提高，大概10分鐘，但是還不夠。
3.apply(lambda x:...)
想說apply是因為我覺得for循環速度太慢，想在循環上對程序進行優化。然后網上有人說apply可以大幅度提升速度，然而經過測試發現在我的程序里，使用apply和for差不多吧，性能也一般。
4.直接用series處理
這才是真正優化for循環的方法，以上面at的程序為例，可以改寫為：
sum_positive += df['attr'][df.attr > 0].sum()
sum_negative += df['attr'][df.attr 0].sum()
將程序都改為series處理，快了很多，最后500萬行的數據大概需要37秒能跑完，基本符合預期。
這里提兩句關于dataframe屬性篩選，也就是上面df.attr > 0這一部分。首先pandas這個屬性篩選實在是很強大，很方便。
其次是我們屬性篩選的時候不要去修改屬性，而是修改后面的數字，比如，我們不要這樣寫：
float(df.attr )> 0，而是這樣寫：
df.attr > str(0)，因為df.attr作為屬性是不能隨便動的。
補充：pandas中DataFrame單個數據提取效率與修改效率
目標
使用pandas處理金融數據及建模中經常需要按時間序列順序循DataFrame數據，讀取具體位置的數據判斷或修改。經驗上這種操作要比直接對二維列表或者np.array格式數據慢的多，原因可能在于index及columns層次的查找（兩個字典，都不是連續數組，每次查找定位都需要時間）和DataFrame中數據的內存布局，有機會以后再深入研究。
這里做一組數值實驗對比幾種方法的效率。
生成數據
先生成一個二維數組隨機數作為DataFrame數據，不失一般性，并把列名、行名設為標記順序的字符串。
import numpy as np
import pandas as pd
from copy import deepcopy
from time import time
np.random.seed(20000)
I = 900
df = pd.DataFrame(np.random.standard_normal((I, I)),
columns=['c'+str(_) for _ in range(I)],
index=['i'+str(_) for _ in range(I)])
然后從限定范圍內隨機生成取值位置，為了方便對比，把隨機坐標與字符串名對應起來
columns_num = np.floor(np.random.uniform(0, 1, I) * I).astype(int)
index_num = np.floor(np.random.uniform(0, 1, I) * I).astype(int)
columns_str = ['c'+str(_) for _ in columns_num]
index_str = ['i'+str(_) for _ in index_num]
讀取測試
首先傳統方法，直接取columns及index中名稱定位
t0 = time()
for m in columns_str:
for n in index_str:
c = df[m][n]
print(time()-t0)
6.789840459823608
先columns列名后在values中取行坐標，速度快了一些
t0 = time()
for m in columns_str:
for n in index_num:
c = df[m].values[n]
print(time()-t0)
1.9697318077087402
loc方法，速度和直接取columns及index中名稱定位差不多
t0 = time()
for m in columns_str:
for n in index_str:
c = df.loc[n, m]
print(time()-t0)
5.661889314651489
at方法，比loc快一點，畢竟loc可以切片的
t0 = time()
for m in columns_str:
for n in index_str:
c = df.at[m, n]
print(time()-t0)
3.3770089149475098
假設知道具體橫縱坐標后，我們再比較：
還是從取values開始，也很慢，看來每次從df中取values很耗時
t0 = time()
for m in columns_num:
for n in index_num:
c = df.values[n][m]
print(time()-t0)
6.041872024536133
iloc試一下，沒什么區別
t0 = time()
for m in columns_num:
for n in index_num:
c = df.iloc[n, m]
print(time()-t0)
6.103677034378052
iat做對比，提升不大，有點失望
t0 = time()
for m in columns_num:
for n in index_num:
c = df.iat[n, m]
print(time()-t0)
4.375299692153931
最后最高效的方法，還是先取二維數組來再定位
t0 = time()
b = df.values
for m in columns_num:
for n in index_num:
c = b[n][m]
print(time()-t0)
0.6402544975280762
修改測試
重復剛才的過程，把對應值改為0作為簡單測試方式，別忘了原始數據要備份
取columns及index中名稱定位
df_backup = deepcopy(df)
t0 = time()
for m in columns_str:
for n in index_str:
df_backup[m][n] = 0.0
print(time()-t0)
41.99269938468933
先columns列名后在values中取行坐標
df_backup = deepcopy(df)
t0 = time()
for m in columns_str:
for n in index_num:
df_backup[m].values[n] = 0.0
print(time()-t0)
2.215076208114624
loc方法
df_backup = deepcopy(df)
t0 = time()
for m in columns_str:
for n in index_str:
df_backup.loc[n, m] = 0.0
print(time()-t0)
134.39290761947632
at方法，在修改數值上竟然比loc快這么多
df_backup = deepcopy(df)
t0 = time()
for m in columns_str:
for n in index_str:
df_backup.at[n, m] = 0.0
print(time()-t0)
4.7453413009643555
在values上改，也是不錯的，和讀取相近，看來還都是在每次提取values上耗時
df_backup = deepcopy(df)
t0 = time()
for m in columns_num:
for n in index_num:
df.values[n][m] = 0.0
print(time()-t0)
6.346027612686157
iloc方法
df_backup = deepcopy(df)
t0 = time()
for m in columns_num:
for n in index_num:
df.iloc[n, m] = 0.0
print(time()-t0)
122.33384037017822
iat方法
df_backup = deepcopy(df)
t0 = time()
for m in columns_num:
for n in index_num:
df.iat[n, m] = 0.0
print(time()-t0)
5.381632328033447
取二維數組來再定位
df_backup = deepcopy(df)
t0 = time()
b = df.values
for m in columns_num:
for n in index_num:
c = b[n][m]
print(time()-t0)
0.4298992156982422
總結
效率上肯定是直接取數值最優的，這次系統性比較做個記錄。代碼寫的有點啰嗦了，不過方便復制實驗。在建模級別的代碼上我還是習慣于用第2種方法，主要是鑒于代碼可讀性、維護和修改上。代碼會在key上告訴我這里是什么，直觀易讀。
以前也曾為了提高代碼運行效率寫過先提取二維數組的，但columns多了就很費勁，重讀還需要轉譯一遍。當然也可以把數據寫成類，但是感覺和pandas不好融合，從建模和研究效率上沒有太好的解決方案。之后會找時間再研究DataFrame內部機制。
以上為個人經驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- Python基礎之pandas數據合并
- python-pandas創建Series數據類型的操作
- Python數據分析之pandas函數詳解
- python基于Pandas讀寫MySQL數據庫
- pandas讀取excel時獲取讀取進度的實現
- pandas中.loc和.iloc以及.at和.iat的區別說明
- 解決使用pandas聚類時的小坑
- pandas 使用merge實現百倍加速的操作
- 詳細介紹在pandas中創建category類型數據的幾種方法
- python中pandas.read_csv()函數的深入講解
- pandas 顛倒列順序的兩種解決方案
- pandas調整列的順序以及添加列的實現
- pandas快速處理Excel,替換Nan,轉字典的操作
- Python基礎之教你怎么在M1系統上使用pandas
