Pandas 的性能问题

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 1416 天前的主题，其中的信息可能已经有所发展或是发生改变。

DataFrame 的 append 操作每次都会返回一个全新的对象，势必会有大量的内存拷贝，这样岂不是会严重拉胯新能，还是说有新的姿势构造 DataFrame 。小白跪求大佬赐教。

dataframe

赐教

append

pandas

22 条回复 • 2021-01-10 10:45:44 +08:00

lewinlan

2021-01-08 18:46:46 +08:00 via Android

我记得有一个参数，可以指定原地操作。

wuwukai007

2021-01-08 19:18:24 +08:00 via Android

concat

bilibilifi

2021-01-08 19:25:11 +08:00 via iPhone

list 里搞好了再转？我记得 dataframe 为了优化性能会把数据放在连续的内存里

nthhdy

2021-01-08 22:04:33 +08:00

我不了解啊，瞎说的。但我感觉它不会拷贝内存的，有可能是写时复制的。可以读下源码看看。

crystom

2021-01-08 22:10:02 +08:00

懒操作吧

allAboutDbmss

2021-01-08 22:18:30 +08:00

可以试试这个： https://github.com/modin-project/modin

milkpuff

2021-01-09 02:02:19 +08:00

pandas 直接操作非常慢，一般拼接都 append 到 list 里面，最后一次性 concat 。
pandas 索引、切片、拼接、赋值等都不适合频繁调用，转换成 numpy 效率可以极大提升

Rorysky

2021-01-09 02:07:44 +08:00

猛男都直接用原生数据类型

qile1

2021-01-09 03:01:39 +08:00 via Android

@milkpuff 多谢回复，我都是 for 遍历逐行附值到 pandas 里面，后期得修改下

lixuda

2021-01-09 07:58:17 +08:00

@qile1 apply 方式

myCupOfTea

2021-01-09 08:46:55 +08:00

数据量太大确实会有性能问题啊
底层是 numpy 吧,numpy concat 数据量大的阵列确实会很慢

lithiumii

2021-01-09 09:50:21 +08:00 via Android

append 确实慢
如果是一堆小 df 建议 concat 一个 list
如果是一行一行的可以每行先存成一个 dict 然后 append 到 list 里，最后转成 df

shuangchengsun

2021-01-09 10:40:49 +08:00

@bilibilifi 我现在的数据阵列是 rows 是一亿五千万左右，columns 是 12，有点太庞大了，用 list 的话能撑住么？

shuangchengsun

2021-01-09 10:41:19 +08:00

@allAboutDbmss 谢谢推荐，我去看看这个工具

shuangchengsun

2021-01-09 10:43:19 +08:00

@myCupOfTea 数据量确实很大，rows 差不多一亿五千万的样子。

shuangchengsun

2021-01-09 10:43:44 +08:00

@lithiumii 感谢指导，我这就去试试。

outoftimeerror

2021-01-09 14:18:56 +08:00

用 spark dataframe

volvo007

2021-01-09 16:14:24 +08:00

@shuangchengsun list 存的是对象指针，不是实际的对象……

对于这个体量的数据，可以考虑用 vaex 这个库

如果上下文操作不复杂且需要持久化的话，强烈安利 PostgreSQL 数据库来处理，超好用，真香

weeevv

2021-01-09 16:20:41 +08:00

Dask 或者直接上数据库吧。

dlsflh

2021-01-09 16:54:57 +08:00 via Android

试试看并行的 pandas modin ？

ElliotQi

2021-01-09 19:34:13 +08:00

shuangchengsun

2021-01-10 10:45:44 +08:00

@volvo007 感谢指导