什么时候我应该（不）希望在代码中使用pandas apply（）？

Question

我看到过许多关于堆栈溢出问题的答案，这些问题涉及使用Pandas方法apply。我也看到用户在他们下面评论说“apply速度慢，应该避免”。

1. 如果apply是如此糟糕，那么为什么它会出现在API中？
2. 如何和何时使我的代码应用免费？
3. 是否有任何情况下apply是好的（优于其他可能的解决方案）？

Answer 1

我们首先逐个解决OP中的问题。

DataFrame.apply和Series.apply是分别在DataFrame和Series对象上定义的方便函数。apply接受对数据帧应用转换/聚合的任何用户定义函数。apply实际上是一个灵丹妙药，可以完成任何现有pandas函数无法完成的功能。

apply可以做的一些事情：

null

…在其他方面。有关更多信息，请参阅文档中的按行或按列的函数应用程序。

那么，有了所有这些特性，apply为什么不好呢？这是因为apply速度较慢。Pandas对函数的性质不做任何假设，因此根据需要将函数迭代应用到每一行/每列。此外，处理上述所有情况意味着apply会在每次迭代时引起一些主要开销。此外，apply会消耗更多的内存，这对于有内存限制的应用程序来说是一个挑战。

在很少的情况下，使用apply是合适的（下面将介绍更多内容）。如果您不确定是否应该使用apply，那么您可能不应该使用apply。

让我们讨论下一个问题。

换个说法，下面是一些常见的情况，您将希望摆脱对apply的任何调用。

如果您使用的是数值数据，那么可能已经有一个矢量化的cython函数可以实现您想要实现的功能（如果没有，请询问堆栈溢出问题或在GitHub上打开一个特性请求）。

df = pd.DataFrame({"A": [9, 4, 2, 1], "B": [12, 7, 5, 4]})
df

   A   B
0  9  12
1  4   7
2  2   5
3  1   4

df.apply(np.sum)

A    16
B    28
dtype: int64

df.sum()

A    16
B    28
dtype: int64

%timeit df.apply(np.sum)
%timeit df.sum()
2.22 ms ± 41.2 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
471 µs ± 8.16 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

即使使用raw参数启用传递原始数组，它的速度仍然要慢一倍。

%timeit df.apply(np.sum, raw=True)
840 µs ± 691 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

另一个例子：

df.apply(lambda x: x.max() - x.min())

A    8
B    8
dtype: int64

df.max() - df.min()

A    8
B    8
dtype: int64

%timeit df.apply(lambda x: x.max() - x.min())
%timeit df.max() - df.min()

2.43 ms ± 450 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
1.23 ms ± 14.7 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

一般来说，如果可能的话，寻找矢量化的替代方案。

df = pd.DataFrame({
    'Name': ['mickey', 'donald', 'minnie'],
    'Title': ['wonderland', "welcome to donald's castle", 'Minnie mouse clubhouse'],
    'Value': [20, 10, 86]})
df

     Name  Value                       Title
0  mickey     20                  wonderland
1  donald     10  welcome to donald's castle
2  minnie     86      Minnie mouse clubhouse

使用apply，可以使用

df.apply(lambda x: x['Name'].lower() in x['Title'].lower(), axis=1)

0    False
1     True
2     True
dtype: bool
 
df[df.apply(lambda x: x['Name'].lower() in x['Title'].lower(), axis=1)]

     Name                       Title  Value
1  donald  welcome to donald's castle     10
2  minnie      Minnie mouse clubhouse     86

然而，使用列表理解存在更好的解决方案。

df[[y.lower() in x.lower() for x, y in zip(df['Title'], df['Name'])]]

     Name                       Title  Value
1  donald  welcome to donald's castle     10
2  minnie      Minnie mouse clubhouse     86

<！-->

%timeit df[df.apply(lambda x: x['Name'].lower() in x['Title'].lower(), axis=1)]
%timeit df[[y.lower() in x.lower() for x, y in zip(df['Title'], df['Name'])]]

2.85 ms ± 38.4 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
788 µs ± 16.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

s = pd.Series([[1, 2]] * 3)
s

0    [1, 2]
1    [1, 2]
2    [1, 2]
dtype: object

s.apply(pd.Series)

   0  1
0  1  2
1  1  2
2  1  2

更好的选择是listify列并将其传递给pd.dataframe。

pd.DataFrame(s.tolist())

   0  1
0  1  2
1  1  2
2  1  2

<！-->

%timeit s.apply(pd.Series)
%timeit pd.DataFrame(s.tolist())

2.65 ms ± 294 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
816 µs ± 40.5 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each)

最后,

df = pd.DataFrame(
         pd.date_range('2018-12-31','2019-01-31', freq='2D').date.astype(str).reshape(-1, 2), 
         columns=['date1', 'date2'])
df

       date1      date2
0 2018-12-31 2019-01-02
1 2019-01-04 2019-01-06
2 2019-01-08 2019-01-10
3 2019-01-12 2019-01-14
4 2019-01-16 2019-01-18
5 2019-01-20 2019-01-22
6 2019-01-24 2019-01-26
7 2019-01-28 2019-01-30

df.dtypes

date1    object
date2    object
dtype: object
    

这是apply可接受的情况：

df.apply(pd.to_datetime, errors='coerce').dtypes

date1    datetime64[ns]
date2    datetime64[ns]
dtype: object

请注意，使用stack或只使用显式循环也是有意义的。所有这些选项都比使用apply略快，但差别小到可以原谅。

%timeit df.apply(pd.to_datetime, errors='coerce')
%timeit pd.to_datetime(df.stack(), errors='coerce').unstack()
%timeit pd.concat([pd.to_datetime(df[c], errors='coerce') for c in df], axis=1)
%timeit for c in df.columns: df[c] = pd.to_datetime(df[c], errors='coerce')

5.49 ms ± 247 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
3.94 ms ± 48.1 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
3.16 ms ± 216 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
2.41 ms ± 1.71 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

您可以为其他操作（如字符串操作或转换为类别）设置类似的大小写。

u = df.apply(lambda x: x.str.contains(...))
v = df.apply(lambda x: x.astype(category))

u = pd.concat([df[c].str.contains(...) for c in df], axis=1)
v = df.copy()
for c in df:
    v[c] = df[c].astype(category)

等等...

这似乎是API的一个特点。使用apply将序列中的整数转换为字符串与使用aStype相当（有时更快）。

import perfplot

perfplot.show(
    setup=lambda n: pd.Series(np.random.randint(0, n, n)),
    kernels=[
        lambda s: s.astype(str),
        lambda s: s.apply(str)
    ],
    labels=['astype', 'apply'],
    n_range=[2**k for k in range(1, 20)],
    xlabel='N',
    logx=True,
    logy=True,
    equality_check=lambda x, y: (x == y).all())

对于浮点，我看到aStype始终与apply一样快，或者略快于apply。所以这与测试中的数据是整数类型有关。

groupby.apply直到现在才被讨论过，但是groupby.apply也是一个迭代方便函数，可以处理现有groupby函数没有的任何内容。

一个常见的要求是执行GroupBy和两个prime操作，例如“滞后的Cumsum”：

df = pd.DataFrame({"A": list('aabcccddee'), "B": [12, 7, 5, 4, 5, 4, 3, 2, 1, 10]})
df

   A   B
0  a  12
1  a   7
2  b   5
3  c   4
4  c   5
5  c   4
6  d   3
7  d   2
8  e   1
9  e  10

<！-->

df.groupby('A').B.cumsum().groupby(df.A).shift()
 
0     NaN
1    12.0
2     NaN
3     NaN
4     4.0
5     9.0
6     NaN
7     3.0
8     NaN
9     1.0
Name: B, dtype: float64

df.groupby('A').B.apply(lambda x: x.cumsum().shift())

0     NaN
1    12.0
2     NaN
3     NaN
4     4.0
5     9.0
6     NaN
7     3.0
8     NaN
9     1.0
Name: B, dtype: float64

除了上面提到的警告之外，还值得一提的是，apply对第一行（或列）操作两次。这样做是为了确定函数是否有任何副作用。如果不是，则apply可以使用快速路径来计算结果，否则就会返回到缓慢的实现。

df = pd.DataFrame({
    'A': [1, 2],
    'B': ['x', 'y']
})

def func(x):
    print(x['A'])
    return x

df.apply(func, axis=1)

# 1
# 1
# 2
   A  B
0  1  x
1  2  y

在pandas<0.25版本的groupby.apply中也可以看到这种行为（它在0.25版本中被修复，更多信息请参阅此处）