提升性能#
在本教程的这一部分中，我们将研究如何使用 Cython、Numba 和 pandas.eval() 加速对 pandas DataFrame 进行操作的某些函数。通常，使用 Cython 和 Numba 可以比使用 pandas.eval() 提供更大的加速，但需要更多的代码。
备注
除了遵循本教程中的步骤外，有兴趣提升性能的用户强烈建议安装 推荐的依赖项 以提升 pandas 的性能。这些依赖项通常不会默认安装，但如果存在，将会提供速度上的改进。
Cython（为pandas编写C扩展）#
对于许多用例来说，使用纯 Python 和 NumPy 编写 pandas 已经足够了。然而，在某些计算密集型应用中，通过将工作转移到 cython 可以实现显著的速度提升。
本教程假设您已经在Python中尽可能地进行了重构，例如通过尝试移除for循环并利用NumPy矢量化。首先在Python中进行优化总是值得的。
本教程通过一个“典型”的 Cython 化慢计算过程。我们使用 Cython 文档中的一个示例 但在 pandas 的上下文中。我们最终的 Cython 化解决方案比纯 Python 解决方案快大约 100 倍。
纯Python#
我们有一个 DataFrame ，我们希望对其逐行应用一个函数。
In [1]: df = pd.DataFrame(
...: {
...: "a": np.random.randn(1000),
...: "b": np.random.randn(1000),
...: "N": np.random.randint(100, 1000, (1000)),
...: "x": "x",
...: }
...: )
...:
In [2]: df
Out[2]:
a b N x
0 0.469112 -0.218470 585 x
1 -0.282863 -0.061645 841 x
2 -1.509059 -0.723780 251 x
3 -1.135632 0.551225 972 x
4 1.212112 -0.497767 181 x
.. ... ... ... ..
995 -1.512743 0.874737 374 x
996 0.933753 1.120790 246 x
997 -0.308013 0.198768 157 x
998 -0.079915 1.757555 977 x
999 -1.010589 -1.115680 770 x
[1000 rows x 4 columns]
以下是纯Python的函数：
In [3]: def f(x):
...: return x * (x - 1)
...:
In [4]: def integrate_f(a, b, N):
...: s = 0
...: dx = (b - a) / N
...: for i in range(N):
...: s += f(a + i * dx)
...: return s * dx
...:
我们通过使用 :meth:`DataFrame.apply`（按行）来实现我们的结果：
In [5]: %timeit df.apply(lambda x: integrate_f(x["a"], x["b"], x["N"]), axis=1)
61.1 ms +- 6.48 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
让我们来看看在使用 prun ipython 魔法函数 进行此操作时，时间都花在哪里了：
# most time consuming 4 calls
In [6]: %prun -l 4 df.apply(lambda x: integrate_f(x["a"], x["b"], x["N"]), axis=1) # noqa E999
605845 function calls (605827 primitive calls) in 0.148 seconds
Ordered by: internal time
List reduced from 139 to 4 due to restriction <4>
ncalls tottime percall cumtime percall filename:lineno(function)
1000 0.078 0.000 0.122 0.000 <ipython-input-4-c2a74e076cf0>:1(integrate_f)
552423 0.044 0.000 0.044 0.000 <ipython-input-3-c138bdd570e3>:1(f)
3000 0.004 0.000 0.015 0.000 series.py:889(__getitem__)
3000 0.003 0.000 0.008 0.000 series.py:973(_get_value)
到目前为止，大部分时间都花在 integrate_f 或 f 内部，因此我们将集中精力用 Cython 化这两个函数。
普通的 Cython#
首先，我们需要将 Cython 魔术函数导入到 IPython 中：
In [7]: %load_ext Cython
现在，让我们简单地将我们的函数复制到 Cython：
In [8]: %%cython
...: def f_plain(x):
...: return x * (x - 1)
...: def integrate_f_plain(a, b, N):
...: s = 0
...: dx = (b - a) / N
...: for i in range(N):
...: s += f_plain(a + i * dx)
...: return s * dx
...:
In [9]: %timeit df.apply(lambda x: integrate_f_plain(x["a"], x["b"], x["N"]), axis=1)
34 ms +- 1.69 ms per loop (mean +- std. dev. of 7 runs, 10 loops each)
与纯Python方法相比，这提高了三分之一的性能。
声明 C 类型#
我们可以注释函数变量和返回类型，以及使用 cdef 和 cpdef 来提高性能：
In [10]: %%cython
....: cdef double f_typed(double x) except? -2:
....: return x * (x - 1)
....: cpdef double integrate_f_typed(double a, double b, int N):
....: cdef int i
....: cdef double s, dx
....: s = 0
....: dx = (b - a) / N
....: for i in range(N):
....: s += f_typed(a + i * dx)
....: return s * dx
....:
In [11]: %timeit df.apply(lambda x: integrate_f_typed(x["a"], x["b"], x["N"]), axis=1)
5.18 ms +- 186 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
使用C类型注释函数与原始Python实现相比，性能提高了十倍以上。
使用 ndarray#
当重新分析时，时间花费在从每一行创建一个 Series ，并从索引和序列中调用 __getitem__ （每行三次）。这些 Python 函数调用是昂贵的，可以通过传递一个 np.ndarray 来改进。
In [12]: %prun -l 4 df.apply(lambda x: integrate_f_typed(x["a"], x["b"], x["N"]), axis=1)
52422 function calls (52404 primitive calls) in 0.015 seconds
Ordered by: internal time
List reduced from 137 to 4 due to restriction <4>
ncalls tottime percall cumtime percall filename:lineno(function)
3000 0.002 0.000 0.009 0.000 series.py:889(__getitem__)
3000 0.002 0.000 0.004 0.000 series.py:973(_get_value)
3000 0.001 0.000 0.001 0.000 base.py:3538(get_loc)
3000 0.001 0.000 0.002 0.000 indexing.py:2741(check_dict_or_set_indexers)
In [13]: %%cython
....: cimport numpy as np
....: import numpy as np
....: cdef double f_typed(double x) except? -2:
....: return x * (x - 1)
....: cpdef double integrate_f_typed(double a, double b, int N):
....: cdef int i
....: cdef double s, dx
....: s = 0
....: dx = (b - a) / N
....: for i in range(N):
....: s += f_typed(a + i * dx)
....: return s * dx
....: cpdef np.ndarray[double] apply_integrate_f(np.ndarray col_a, np.ndarray col_b,
....: np.ndarray col_N):
....: assert (col_a.dtype == np.float64
....: and col_b.dtype == np.float64 and col_N.dtype == np.dtype(int))
....: cdef Py_ssize_t i, n = len(col_N)
....: assert (len(col_a) == len(col_b) == n)
....: cdef np.ndarray[double] res = np.empty(n)
....: for i in range(len(col_a)):
....: res[i] = integrate_f_typed(col_a[i], col_b[i], col_N[i])
....: return res
....:
这个实现创建了一个零数组，并将 integrate_f_typed 应用于每一行的结果插入其中。在 Cython 中循环遍历一个 ndarray 比循环遍历一个 Series 对象更快。
由于 apply_integrate_f 被类型化为接受一个 np.ndarray ，需要调用 Series.to_numpy() 来使用这个函数。
In [14]: %timeit apply_integrate_f(df["a"].to_numpy(), df["b"].to_numpy(), df["N"].to_numpy())
765 us +- 40 us per loop (mean +- std. dev. of 7 runs, 1,000 loops each)
性能比之前的实现提高了近十倍。
禁用编译器指令#
大部分时间现在都花在 apply_integrate_f 上了。禁用 Cython 的 boundscheck 和 wraparound 检查可以提高性能。
In [15]: %prun -l 4 apply_integrate_f(df["a"].to_numpy(), df["b"].to_numpy(), df["N"].to_numpy())
165 function calls in 0.001 seconds
Ordered by: internal time
List reduced from 45 to 4 due to restriction <4>
ncalls tottime percall cumtime percall filename:lineno(function)
1 0.001 0.001 0.001 0.001 <string>:1(<module>)
1 0.000 0.000 0.001 0.001 {built-in method builtins.exec}
3 0.000 0.000 0.000 0.000 base.py:565(to_numpy)
3 0.000 0.000 0.000 0.000 managers.py:1151(iget)
In [16]: %%cython
....: cimport cython
....: cimport numpy as np
....: import numpy as np
....: cdef np.float64_t f_typed(np.float64_t x) except? -2:
....: return x * (x - 1)
....: cpdef np.float64_t integrate_f_typed(np.float64_t a, np.float64_t b, np.int64_t N):
....: cdef np.int64_t i
....: cdef np.float64_t s = 0.0, dx
....: dx = (b - a) / N
....: for i in range(N):
....: s += f_typed(a + i * dx)
....: return s * dx
....: @cython.boundscheck(False)
....: @cython.wraparound(False)
....: cpdef np.ndarray[np.float64_t] apply_integrate_f_wrap(
....: np.ndarray[np.float64_t] col_a,
....: np.ndarray[np.float64_t] col_b,
....: np.ndarray[np.int64_t] col_N
....: ):
....: cdef np.int64_t i, n = len(col_N)
....: assert len(col_a) == len(col_b) == n
....: cdef np.ndarray[np.float64_t] res = np.empty(n, dtype=np.float64)
....: for i in range(n):
....: res[i] = integrate_f_typed(col_a[i], col_b[i], col_N[i])
....: return res
....:
In [17]: %timeit apply_integrate_f_wrap(df["a"].to_numpy(), df["b"].to_numpy(), df["N"].to_numpy())
567 us +- 19 us per loop (mean +- std. dev. of 7 runs, 1,000 loops each)
然而，一个访问数组中无效位置的循环索引器 i 会导致段错误，因为内存访问未被检查。有关 boundscheck 和 wraparound 的更多信息，请参阅 Cython 文档中的 编译器指令。
Numba (JIT 编译)#
静态编译 Cython 代码的另一种选择是使用带有 Numba 的动态即时（JIT）编译器。
Numba 允许你编写一个纯 Python 函数，该函数可以通过使用 @jit 装饰你的函数，被 JIT 编译为本地机器指令，性能类似于 C、C++ 和 Fortran。
Numba 通过在导入时、运行时或静态地（使用包含的 pycc 工具）使用 LLVM 编译器基础设施生成优化的机器代码。Numba 支持将 Python 编译为在 CPU 或 GPU 硬件上运行，并且设计为与 Python 科学软件栈集成。
备注
@jit 编译会在函数的运行时增加开销，因此在使用小数据集时可能不会实现性能提升。考虑 缓存 你的函数，以避免每次运行函数时的编译开销。
Numba 可以以两种方式与 pandas 一起使用：
在选择pandas方法时指定``engine=”numba”``关键字
定义你自己的 Python 函数，并用
@jit装饰，并将Series或DataFrame的底层 NumPy 数组（使用Series.to_numpy()）传递给该函数
pandas Numba 引擎#
如果安装了 Numba，可以在选择 pandas 方法时指定 engine="numba" 以使用 Numba 执行该方法。支持 engine="numba" 的方法还将有一个 engine_kwargs 关键字，该关键字接受一个字典，允许指定 "nogil"、"nopython" 和 "parallel" 键，并带有布尔值以传递给 @jit 装饰器。如果未指定 engine_kwargs，则默认为 {"nogil": False, "nopython": True, "parallel": False}，除非另有指定。
备注
在性能方面，第一次使用 Numba 引擎运行函数会比较慢，因为 Numba 会有一些函数编译开销。然而，JIT 编译的函数会被缓存，后续调用将会很快。总的来说，Numba 引擎在处理大量数据点（例如 100 万以上）时表现良好。
In [1]: data = pd.Series(range(1_000_000)) # noqa: E225
In [2]: roll = data.rolling(10)
In [3]: def f(x):
...: return np.sum(x) + 5
# Run the first time, compilation time will affect performance
In [4]: %timeit -r 1 -n 1 roll.apply(f, engine='numba', raw=True)
1.23 s ± 0 ns per loop (mean ± std. dev. of 1 run, 1 loop each)
# Function is cached and performance will improve
In [5]: %timeit roll.apply(f, engine='numba', raw=True)
188 ms ± 1.93 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)
In [6]: %timeit roll.apply(f, engine='cython', raw=True)
3.92 s ± 59 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
如果你的计算硬件包含多个CPU，通过将 parallel 设置为 True 以利用超过1个CPU，可以实现最大的性能提升。在内部，pandas 利用 numba 来并行化 DataFrame 列的计算；因此，这种性能提升仅对具有大量列的 DataFrame 有益。
In [1]: import numba
In [2]: numba.set_num_threads(1)
In [3]: df = pd.DataFrame(np.random.randn(10_000, 100))
In [4]: roll = df.rolling(100)
In [5]: %timeit roll.mean(engine="numba", engine_kwargs={"parallel": True})
347 ms ± 26 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
In [6]: numba.set_num_threads(2)
In [7]: %timeit roll.mean(engine="numba", engine_kwargs={"parallel": True})
201 ms ± 2.97 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
自定义函数示例#
一个用 @jit 装饰的自定义 Python 函数可以通过传递它们的 NumPy 数组表示与 pandas 对象一起使用，使用 Series.to_numpy()。
import numba
@numba.jit
def f_plain(x):
return x * (x - 1)
@numba.jit
def integrate_f_numba(a, b, N):
s = 0
dx = (b - a) / N
for i in range(N):
s += f_plain(a + i * dx)
return s * dx
@numba.jit
def apply_integrate_f_numba(col_a, col_b, col_N):
n = len(col_N)
result = np.empty(n, dtype="float64")
assert len(col_a) == len(col_b) == n
for i in range(n):
result[i] = integrate_f_numba(col_a[i], col_b[i], col_N[i])
return result
def compute_numba(df):
result = apply_integrate_f_numba(
df["a"].to_numpy(), df["b"].to_numpy(), df["N"].to_numpy()
)
return pd.Series(result, index=df.index, name="result")
In [4]: %timeit compute_numba(df)
1000 loops, best of 3: 798 us per loop
在这个例子中，使用 Numba 比使用 Cython 更快。
Numba 也可以用来编写向量化函数，这些函数不需要用户显式地循环遍历向量的观测值；向量化函数将自动应用于每一行。考虑以下将每个观测值加倍的示例：
import numba
def double_every_value_nonumba(x):
return x * 2
@numba.vectorize
def double_every_value_withnumba(x): # noqa E501
return x * 2
# Custom function without numba
In [5]: %timeit df["col1_doubled"] = df["a"].apply(double_every_value_nonumba) # noqa E501
1000 loops, best of 3: 797 us per loop
# Standard implementation (faster than a custom function)
In [6]: %timeit df["col1_doubled"] = df["a"] * 2
1000 loops, best of 3: 233 us per loop
# Custom function with numba
In [7]: %timeit df["col1_doubled"] = double_every_value_withnumba(df["a"].to_numpy())
1000 loops, best of 3: 145 us per loop
注意事项#
Numba 最擅长加速那些对 NumPy 数组应用数值函数的函数。如果你尝试 @jit 一个包含不支持的 Python 或 NumPy 代码的函数，编译将回退到 对象模式 ，这很可能不会加速你的函数。如果你希望 Numba 在无法以加速代码的方式编译函数时抛出错误，请传递给 Numba 参数 nopython=True``（例如 ``@jit(nopython=True)）。有关 Numba 模式的故障排除更多信息，请参见 Numba 故障排除页面。
使用 parallel=True``（例如 ``@jit(parallel=True)）可能会导致 SIGABRT，如果线程层导致不安全行为。你可以在运行带有 parallel=True 的 JIT 函数之前 指定一个安全的线程层。
通常，如果您在使用 Numba 时遇到段错误 (SIGSEGV)，请将问题报告到 Numba 问题跟踪器。
通过 eval() 进行表达式求值#
顶级函数 pandas.eval() 实现了对 Series 和 DataFrame 的高性能表达式评估。表达式评估允许将操作表示为字符串，并且通过一次性评估大型 DataFrame 的算术和布尔表达式，可能会提供性能提升。
备注
对于简单的表达式或涉及小数据框的表达式，你不应该使用 eval()。事实上，对于较小的表达式或对象，eval() 比纯 Python 慢许多个数量级。一个好的经验法则是，只有当你有一个包含超过 10,000 行的 DataFrame 时，才使用 eval()。
支持的语法#
这些操作由 pandas.eval() 支持：
算术运算（除了左移 (
<<) 和右移 (>>) 运算符），例如，df + 2 * pi / s ** 4 % 42 - the_golden_ratio比较操作，包括链式比较，例如，
2 < df < df2布尔运算，例如，
df < df2 and df3 < df4 or not df_boollist和tuple字面量，例如，[1, 2]或(1, 2)属性访问，例如，
df.a下标表达式，例如，
df[0]简单的变量评估，例如，
pd.eval("df")（这并不是非常有用）数学函数：
sin,cos,exp,log,expm1,log1p,sqrt,sinh,cosh,tanh,arcsin,arccos,arctan,arccosh,arcsinh,arctanh,abs,arctan2和log10。
以下 Python 语法 不 允许：
表达式
除了数学函数之外的函数调用。
is/is not操作if表达式lambda表达式list/set/dict推导式字面量
dict和set表达式yield表达式生成器表达式
仅由标量值组成的布尔表达式
声明
本地变量#
你必须通过在名称前放置 @ 字符来 显式引用 任何你想在表达式中使用的局部变量。这个机制对于 DataFrame.query() 和 DataFrame.eval() 都是相同的。例如，
In [18]: df = pd.DataFrame(np.random.randn(5, 2), columns=list("ab"))
In [19]: newcol = np.random.randn(len(df))
In [20]: df.eval("b + @newcol")
Out[20]:
0 -0.206122
1 -1.029587
2 0.519726
3 -2.052589
4 1.453210
Name: b, dtype: float64
In [21]: df.query("b < @newcol")
Out[21]:
a b
1 0.160268 -0.848896
3 0.333758 -1.180355
4 0.572182 0.439895
如果你不使用 @ 前缀本地变量，pandas 会抛出一个异常，告诉你该变量未定义。
在使用 DataFrame.eval() 和 DataFrame.query() 时，这允许你在表达式中同时拥有一个局部变量和一个 DataFrame 列，且它们具有相同的名字。
In [22]: a = np.random.randn()
In [23]: df.query("@a < a")
Out[23]:
a b
0 0.473349 0.891236
1 0.160268 -0.848896
2 0.803311 1.662031
3 0.333758 -1.180355
4 0.572182 0.439895
In [24]: df.loc[a < df["a"]] # same as the previous expression
Out[24]:
a b
0 0.473349 0.891236
1 0.160268 -0.848896
2 0.803311 1.662031
3 0.333758 -1.180355
4 0.572182 0.439895
警告
pandas.eval() 如果你不能使用 @ 前缀，因为它在该上下文中未定义，将会引发异常。
In [25]: a, b = 1, 2
In [26]: pd.eval("@a + b")
Traceback (most recent call last):
File /usr/local/lib/python3.10/site-packages/IPython/core/interactiveshell.py:3577 in run_code
exec(code_obj, self.user_global_ns, self.user_ns)
Cell In[26], line 1
pd.eval("@a + b")
File /home/pandas/pandas/core/computation/eval.py:334 in eval
_check_for_locals(expr, level, parser)
File /home/pandas/pandas/core/computation/eval.py:171 in _check_for_locals
raise SyntaxError(msg)
File <string>
SyntaxError: The '@' prefix is not allowed in top-level eval calls.
please refer to your variables by name without the '@' prefix.
在这种情况下，你应该像在标准 Python 中那样引用变量。
In [27]: pd.eval("a + b")
Out[27]: 3
pandas.eval() 解析器#
有两种不同的表达式语法解析器。
默认的 'pandas' 解析器允许一种更直观的语法来表达类似查询的操作（比较、连接和分离）。特别是，& 和 | 运算符的优先级被设置为与相应的布尔运算 and 和 or 的优先级相同。
例如，上述连接可以不带括号书写。或者，你可以使用 'python' 解析器来强制严格的 Python 语义。
In [28]: nrows, ncols = 20000, 100
In [29]: df1, df2, df3, df4 = [pd.DataFrame(np.random.randn(nrows, ncols)) for _ in range(4)]
In [30]: expr = "(df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0)"
In [31]: x = pd.eval(expr, parser="python")
In [32]: expr_no_parens = "df1 > 0 & df2 > 0 & df3 > 0 & df4 > 0"
In [33]: y = pd.eval(expr_no_parens, parser="pandas")
In [34]: np.all(x == y)
Out[34]: True
同样的表达可以用单词 和 一起进行“与”操作：
In [35]: expr = "(df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0)"
In [36]: x = pd.eval(expr, parser="python")
In [37]: expr_with_ands = "df1 > 0 and df2 > 0 and df3 > 0 and df4 > 0"
In [38]: y = pd.eval(expr_with_ands, parser="pandas")
In [39]: np.all(x == y)
Out[39]: True
pandas.eval() 引擎#
有两种不同的表达引擎。
'numexpr' 引擎是性能更高的引擎，与标准 Python 语法相比，可以为大型 DataFrame 带来性能提升。此引擎需要安装可选依赖 numexpr。
'python' 引擎通常*不*有用，除非是为了测试其他评估引擎。使用 eval() 并设置 engine='python' 不会带来**任何**性能提升，甚至可能会导致性能下降。
In [40]: %timeit df1 + df2 + df3 + df4
4.37 ms +- 310 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
In [41]: %timeit pd.eval("df1 + df2 + df3 + df4", engine="python")
4.84 ms +- 187 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
The DataFrame.eval() 方法#
除了顶层的 pandas.eval() 函数外，你还可以在 DataFrame 的“上下文”中评估表达式。
In [42]: df = pd.DataFrame(np.random.randn(5, 2), columns=["a", "b"])
In [43]: df.eval("a + b")
Out[43]:
0 -0.161099
1 0.805452
2 0.747447
3 1.189042
4 -2.057490
dtype: float64
任何有效的 pandas.eval() 表达式也是有效的 DataFrame.eval() 表达式，额外的好处是你不需要在感兴趣的列前加上 DataFrame 的名称。
此外，您可以在表达式中执行列的赋值。这允许进行 公式化评估 。赋值目标可以是新的列名或现有的列名，并且它必须是一个有效的 Python 标识符。
In [44]: df = pd.DataFrame(dict(a=range(5), b=range(5, 10)))
In [45]: df = df.eval("c = a + b")
In [46]: df = df.eval("d = a + b + c")
In [47]: df = df.eval("a = 1")
In [48]: df
Out[48]:
a b c d
0 1 5 5 10
1 1 6 7 14
2 1 7 9 18
3 1 8 11 22
4 1 9 13 26
返回一个包含新列或修改列的 DataFrame 副本，原始框架保持不变。
In [49]: df
Out[49]:
a b c d
0 1 5 5 10
1 1 6 7 14
2 1 7 9 18
3 1 8 11 22
4 1 9 13 26
In [50]: df.eval("e = a - c")
Out[50]:
a b c d e
0 1 5 5 10 -4
1 1 6 7 14 -6
2 1 7 9 18 -8
3 1 8 11 22 -10
4 1 9 13 26 -12
In [51]: df
Out[51]:
a b c d
0 1 5 5 10
1 1 6 7 14
2 1 7 9 18
3 1 8 11 22
4 1 9 13 26
可以通过使用多行字符串来执行多列赋值。
In [52]: df.eval(
....: """
....: c = a + b
....: d = a + b + c
....: a = 1""",
....: )
....:
Out[52]:
a b c d
0 1 5 6 12
1 1 6 7 14
2 1 7 8 16
3 1 8 9 18
4 1 9 10 20
在标准 Python 中的等价物会是
In [53]: df = pd.DataFrame(dict(a=range(5), b=range(5, 10)))
In [54]: df["c"] = df["a"] + df["b"]
In [55]: df["d"] = df["a"] + df["b"] + df["c"]
In [56]: df["a"] = 1
In [57]: df
Out[57]:
a b c d
0 1 5 5 10
1 1 6 7 14
2 1 7 9 18
3 1 8 11 22
4 1 9 13 26
eval() 性能比较#
pandas.eval() 在包含大数组的表达式中表现良好。
In [58]: nrows, ncols = 20000, 100
In [59]: df1, df2, df3, df4 = [pd.DataFrame(np.random.randn(nrows, ncols)) for _ in range(4)]
DataFrame 算术：
In [60]: %timeit df1 + df2 + df3 + df4
2.98 ms +- 200 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
In [61]: %timeit pd.eval("df1 + df2 + df3 + df4")
3.22 ms +- 170 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
DataFrame 比较:
In [62]: %timeit (df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0)
3.89 ms +- 155 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
In [63]: %timeit pd.eval("(df1 > 0) & (df2 > 0) & (df3 > 0) & (df4 > 0)")
5.39 ms +- 617 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
DataFrame 算术与未对齐的轴。
In [64]: s = pd.Series(np.random.randn(50))
In [65]: %timeit df1 + df2 + df3 + df4 + s
4.79 ms +- 405 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
In [66]: %timeit pd.eval("df1 + df2 + df3 + df4 + s")
3.73 ms +- 205 us per loop (mean +- std. dev. of 7 runs, 100 loops each)
备注
操作例如
1 and 2 # would parse to 1 & 2, but should evaluate to 2
3 or 4 # would parse to 3 | 4, but should evaluate to 3
~1 # this is okay, but slower when using eval
应该在 Python 中执行。如果你尝试对不是类型 bool 或 np.bool_ 的标量操作数执行任何布尔/位运算，将会引发异常。
这里有一个图表显示了 pandas.eval() 的运行时间作为计算中涉及的帧大小的函数。两条线代表两种不同的引擎。
只有在使用 numexpr 引擎与 pandas.eval() 时，如果你的 DataFrame 有超过大约 100,000 行，你才会看到性能上的好处。
这个图表是使用一个包含3列的 DataFrame 创建的，每列都包含使用 numpy.random.randn() 生成的浮点值。
使用 numexpr 进行表达式求值的限制#
由于 NaT 会导致对象 dtype 或涉及日期时间操作的表达式必须在 Python 空间中进行评估，但表达式的一部分仍然可以使用 numexpr 进行评估。例如：
In [67]: df = pd.DataFrame(
....: {"strings": np.repeat(list("cba"), 3), "nums": np.repeat(range(3), 3)}
....: )
....:
In [68]: df
Out[68]:
strings nums
0 c 0
1 c 0
2 c 0
3 b 1
4 b 1
5 b 1
6 a 2
7 a 2
8 a 2
In [69]: df.query("strings == 'a' and nums == 1")
Out[69]:
Empty DataFrame
Columns: [strings, nums]
Index: []
数值部分的比较（nums == 1）将由``numexpr``进行评估，而对象部分的比较（"strings == 'a'）将由Python进行评估。