Pandas的apply, map, transform介绍和性能测试

apply函数是我们经常用到的一个Pandas操作。虽然这在较小的数据集上不是问题，但在处理大量数据时，由此引起的性能问题会变得更加明显。虽然apply的灵活性使其成为一个简单的选择，但本文介绍了其他Pandas函数作为潜在的替代方案。

在这篇文章中，我们将通过一些示例讨论apply、agg、map和transform的预期用途。

我们一个学生分数为例

 df_english=pd.DataFrame(
     {
         "student": ["John", "James", "Jennifer"],
         "gender": ["male", "male", "female"],
         "score": [20, 30, 30],
         "subject": "english"
     }
 )
 
 df_math=pd.DataFrame(
     {
         "student": ["John", "James", "Jennifer"],
         "gender": ["male", "male", "female"],
         "score": [90, 100, 95],
         "subject": "math"
     }
 )
 df=pd.concat(
     [df_english, df_math],
     ignore_index=True
 )

map

 Series.map(arg, na_action=None) -> Series

map方法适用于Series，它基于传递给函数的参数将每个值进行映射。arg可以是一个函数——就像apply可以取的一样——也可以是一个字典或一个Series。

na_action是指定序列的NaN值如何处理。当设置为"ignore "时，arg将不会应用于NaN值。

例如想用映射替换性别的分类表示时:

 GENDER_ENCODING= {
     "male": 0,
     "female": 1
 }
 df["gender"].map(GENDER_ENCODING)

虽然apply不接受字典，但也可以完成同样的操作。

 df["gender"].apply(lambdax:
     GENDER_ENCODING.get(x, np.nan)
 )

性能对比

在对包含一百万条记录的gender序列进行编码的简单测试中，map比apply快10倍。

 random_gender_series=pd.Series([
     random.choice(["male", "female"]) for_inrange(1_000_000)
 ])
 
 random_gender_series.value_counts()
 
 """
 >>>
 female    500094
 male      499906
 dtype: int64
 """

看看对比结果

 """
 map performance
 """
 %%timeit
 random_gender_series.map(GENDER_ENCODING)
 
 # 41.4 ms ± 4.24 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
 
 """
 apply performance
 """
 %%timeit
 random_gender_series.apply(lambdax:
     GENDER_ENCODING.get(x, np.nan)
 )
 
 # 417 ms ± 5.32 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

因为map也可以接受函数，所以任何不依赖于其他元素的转换操作都可以使用。比如使用map(len)或map(upper)这样的东西可以让预处理变得更容易。

applymap

 DataFrame.applymap(func, na_action=None, **kwargs) -> DataFrame

applymap与map非常相似，并且是使用apply内部实现的。applymap就像map一样，但是是在DataFrame上以elementwise的方式工作，但由于它是由apply内部实现的，所以它不能接受字典或Series作为输入——只允许使用函数。

 try: 
     df.applymap(dict())
 
 exceptTypeErrorase:
     print("Only callables are valid! Error:", e)
 
 """
 Only callables are valid! Error: the first argument must be callable
 """

na_action的工作原理和map中的一样。

transform

 DataFrame.transform(func, axis=0, *args, **kwargs) -> DataFrame

前两个函数工作在元素级别，而transform工作在列级别。我们可以通过transform来使用聚合逻辑。

假设要标准化数据:

 df.groupby("subject")["score"] \
     .transform(
         lambdax: (x-x.mean()) /x.std()
     )
 
 """
 0   -1.154701
 1    0.577350
 2    0.577350
 3   -1.000000
 4    1.000000
 5    0.000000
 Name: score, dtype: float64

我们需要做的是从每个组中获取分数，并用其标准化值替换每个元素。这肯定不能用map来实现，因为它需要按列计算，而map只能按元素计算。

如果使用熟悉apply，那么实现很简单。

 df.groupby("subject")["score"] \
     .apply(
         lambdax: (x-x.mean()) /x.std()
     )
 
 """
 0   -1.154701
 1    0.577350
 2    0.577350
 3   -1.000000
 4    1.000000
 5    0.000000
 Name: score, dtype: float64
 """

不仅本质上，代码基本上都是一样的。那么transform有什么意义呢?

Transform必须返回一个与它所应用的轴长度相同的数据框架。

也就是说即使transform与返回聚合值的groupby操作一起使用，它会将这些聚合值赋给每个元素。

例如，假设我们想知道每门课所有学生的分数之和。我们可以像这样使用apply:

 df.groupby("subject")["score"] \
     .apply(
         sum
     )
 
 """
 subject
 english     80
 math       285
 Name: score, dtype: int64
 """

但我们按学科汇总了分数，丢失了学生个体与其分数之间的关联信息。用transform做同样的事情，我们会得到更有趣的东西:

 df.groupby("subject")["score"] \
     .transform(
         sum
     )
 
 """
 0     80
 1     80
 2     80
 3    285
 4    285
 5    285
 Name: score, dtype: int64
 """

因此，尽管我们在分组上操作，但仍然能够得到组级信息与行级信息的关系。

所以任何形式的聚合都会报错，如果逻辑没有返回转换后的序列，transform将抛出ValueError。

 try:
     df["score"].transform("mean")
 exceptValueErrorase:
     print("Aggregation doesn't work with transform. Error:", e)
 
 """
 Aggregation doesn't work with transform. Error: Function did not transform
 """

而Apply的灵活性确保它即使使用聚合也能很好地工作。

 df["score"].apply("mean")
 
 """
 60.833333333333336
 """

性能对比

就性能而言，transform的速度是apply的2倍。

 random_score_df=pd.DataFrame({
     "subject": random.choices(["english", "math", "science", "history"], k=1_000_000),
     "score": random.choices(list(np.arange(1, 100)), k=1_000_000)
 })

 """
 Transform Performance Test
 """
 %%timeit
 random_score_df.groupby("subject")["score"] \
     .transform(
         lambdax: (x-x.mean()) /x.std()
     )
 
 """
 202 ms ± 5.37 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
 """
 """
 Apply Performance Test
 """
 %%timeit
 random_score_df.groupby("subject")["score"] \
     .apply(
         lambdax: (x-x.mean()) /x.std()
     )
 
 """
 401 ms ± 5.37 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
 """

agg

 DataFrame.agg(func=None, axis=0, *args, **kwargs) 
     -> scalar | pd.Series | pd.DataFrame

agg函数更容易理解，因为它只是返回传递给它的数据的聚合。所以无论自定义聚合器是如何实现的，结果都将是传递给它的每一列的单个值。

来看看一个简单的聚合——计算每个组在得分列上的平均值。

 df.groupby("subject")["score"].agg(mean_score="mean").round(2)

多个聚合器也可以作为列表传递。

 df.groupby("subject")["score"].agg(
     ["min", "mean", "max"]
 ).round(2)

Agg提供了更多执行聚合的选项。我们还可以构建自定义聚合器，并对每一列执行多个特定的聚合，例如计算一列的平均值和另一列的中值。

性能对比

就性能而言，agg比apply稍微快一些，至少对于简单的聚合是这样。

 random_score_df=pd.DataFrame({
     "subject": random.choices(["english", "math", "science", "history"], k=1_000_000),
     "score": random.choices(list(np.arange(1, 100)), k=1_000_000)
 })

 """
 Agg Performance Test
 """
 
 %%timeit
 random_score_df.groupby("subject")["score"].agg("mean")
 
 """
 74.2 ms ± 5.02 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
 """
 
 """
 Apply Performance Test
 """
 
 %%timeit
 random_score_df.groupby("subject")["score"].apply(lambda x: x.mean())
 """
 102.3 ms ± 1.16 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
 """

可以看到大约30%的性能提升。当对多个聚合进行测试时，我们会得到类似的结果。

 """
 Multiple Aggregators Performance Test with agg
 """
 %%timeit
 random_score_df.groupby("subject")["score"].agg(
     ["min", "mean", "max"]
 )
 
 """
 90.5 ms ± 16.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
 """
 """
 Multiple Aggregators Performance Test with apply
 """
 %%timeit
 random_score_df.groupby("subject")["score"].apply(
     lambda x: pd.Series(
         {"min": x.min(), "mean": x.mean(), "max": x.max()}
     )
 ).unstack()
 
 """
 104 ms ± 5.78 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
 """

apply

我们用它是因为它灵活。上面的每个例子都可以用apply实现，但这种灵活性是有代价的:就像性能测试所证明的那样，它明显变慢了。

apply的一些问题

apply灵活性是非常好的，但是它也有一些问题，比如

从 2014 年开始，这个问题就一直困扰着 pandas。当整个列中只有一个组时，就会发生这种情况。 在这种情况下，即使 apply 函数预期返回一个Series，但最终会产生一个DataFrame。

结果类似于额外的拆栈操作。 我们这里尝试重现它。 我们将使用我们的原始数据框并添加一个城市列。 假设我们的三个学生 John、James 和 Jennifer 都来自波士顿。

 df_single_group=df.copy()
 df_single_group["city"] ="Boston"

让我们计算两组组的组均值：一组基于subject 列，另一组基于city。

在subject 列上分组，我们得到了我们预期的多索引。

 df_single_group.groupby("subject").apply(lambda x: x["score"])

但当我们按city列分组时，只有一个组(对应于“波士顿”)，我们得到:

 df_single_group.groupby("city").apply(lambda x: x["score"])

看到结果是如何旋转的吗?如果我们把这些叠起来，我们就会得到预期的结果。

 df_single_group.groupby("city").apply(lambda x: x["score"]).stack()

在撰写本文时，这个问题仍然没有得到解决。

总结

apply提供的灵活性使其在大多数场景中成为非常方便的选择，所以如果你的数据不大，或者对处理时间没有硬性的要求，那就直接使用apply吧。如果真的对时间有要求，还是找到优化的方式来操作，这样可以省去大量的时间。

本文代码：https://avoid.overfit.cn/post/9917bf07402b473c909248dbb5cdebef

作者：Aniruddha Karajgi