数据处理是数据科学模型开发流程的重要组成部分之一。数据科学家需要花费80％的时间准备数据集以使其适合建模。有时，对大型数据集执行数据整理和探索变得繁琐的工作，只有等待很长时间才能完成计算，或者转移到某些并行处理。
Pandas 是拥有大量API的著名 Python 库之一，但是在可伸缩性方面却失败了。对于大型数据集，迭代整个循环有时会花费很多时间，有时甚至是数小时，甚至对于小型数据集，使用标准循环对数据框架进行迭代也非常耗时。
在本文中，我们将讨论在大型数据集上加快迭代过程的技术或技巧。
iterrows() 是内置的 Pandas 库函数，它返回一系列的每个实例或行。它将数据帧作为一对索引和列特征作为Series进行迭代。
我使用了一个具有1000万条记录和5列的数据集。我们在数据集中使用字符串类型的特征'name'，必须将其删除以删除空格。
temp=[]
for i,row in df.iterrows():
name_new = row['name'].strip()
temp.append(name_new)
该代码段执行了将近「1967秒」。现在，让我们找出其他技术来遍历数据帧并比较其时间复杂度。
数据框是具有行和列的Pandas对象。数据帧的行和列都已建立索引，并且可以遍历索引以遍历行。
temp=[]
for idx in range(0,df.shape[0],1):
name_new = df['name'].iloc[idx].strip()
temp.append(name_new)
遍历数据帧并执行剥离操作花了将近「223秒」（比iterrows函数快9倍）。
只需将Pandas数据框转换为字典，即可遍历数据框并以闪电般的速度执行操作。你可以在Pandas中使用.to_dict（）函数将数据框转换为字典。现在，与iterrows（）函数相比，在字典上进行迭代相对非常快。
df_dict = df.to_dict('records')
temp=[]
for row in df_dict:
name_new = row['name'].strip()
temp.append(name_new)
对数据集的字典格式进行处理后耗时「25.5秒」，这比iterrows（）函数快77倍。
apply() 是内置的Pandas函数，它允许传递一个函数并将其应用于Pandas系列的每个值。apply()函数本身并不快，但是它对Pandas库有很大的改进，因为该函数有助于根据所需条件隔离数据。
temp = df['name'].apply(lambda x: x.strip())
apply() 函数执行耗时「4.60秒」，比iterrows() 函数快427倍。
在本文中，我们讨论了在Pandas数据帧上进行优化的几种技术，并比较了它们的时间复杂度。建议在非常特殊的情况下使用iterrows()函数。
可以轻松地从使用iterrows（）或索引方法转变为基于字典的迭代技术，该技术将工作流程的速度提高了77倍。Apply函数的速度提高了约400倍，但用途有限，人们需要对代码进行大量更改才能转换为这种方法。
联系客服
