提升Pandas Groupby效率：惰性分组与分离聚合实践

本教程旨在解决pandas `groupby`操作在大数据集和复杂聚合场景下的性能瓶颈。它揭示了直接使用`agg`方法包含多个函数（尤其是自定义函数）可能导致效率低下。文章推荐采用“惰性分组”策略：先创建分组对象，然后对每个列独立进行矢量化聚合操作。这种方法能显著提升聚合性能，有效优化数据处理效率。

引言：Pandas groupby的性能挑战

Pandas groupby操作是数据分析中不可或缺的工具，它允许用户根据一个或多个键对数据进行分组，并对每个组执行聚合计算。然而，当数据集规模增大，或者在agg方法中同时应用多个聚合函数（尤其是自定义函数）时，groupby的性能可能会急剧下降，成为数据处理的瓶颈。理解并优化这些操作对于处理大规模数据至关重要。

考虑以下一个典型的数据框和聚合操作示例：

import pandas as pd
import numpy as np

# 模拟数据
data = {
    'delta_t': np.random.randint(0, 301, 100),
    'specimen': np.random.choice(['X', 'Y', 'Z'], 100),
    'measuremnt': np.random.rand(100),
    'lag': np.random.rand(100)
}
df = pd.DataFrame(data)

# 定义一个自定义的75分位数函数
def q75(x):
    return x.quantile(0.75)

# 原始的groupby和agg操作
df_result = df.groupby(['specimen', 'delta_t']).agg({
    'measuremnt': ['mean', q75, 'max'],
    'lag': 'mean'
}).reset_index()

print("原始聚合结果（部分）：")
print(df_result.head())

上述代码中，我们对specimen和delta_t两列进行分组，并对measuremnt列计算均值、75分位数和最大值，对lag列计算均值。当数据量较小时，这段代码运行迅速。但随着数据量的增加，其执行时间会显著增长。通过%%timeit魔法命令测试，原始方法的性能表现如下：

%%timeit -n 10
df_result = df.groupby(['specimen', 'delta_t']).agg({
    'measuremnt': ['mean', q75, 'max'],
    'lag': 'mean'
}).reset_index()
# 结果示例：43.2 ms ± 1.85 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

可以看到，即使对于一个相对较小的数据集，agg操作也可能消耗数十毫秒。在大规模数据场景下，这种开销将是巨大的。

优化策略：惰性分组与分离聚合

造成agg方法性能瓶颈的主要原因在于，当它接收多个聚合函数，特别是自定义函数时，Pandas可能需要对每个组进行多次迭代或执行非矢量化的操作。为了提升性能，一种更高效的策略是采用“惰性分组”结合“分离聚合”的方式。

这种方法的核心思想是：

1. 惰性分组：首先调用groupby()方法创建分组对象，但不立即执行任何聚合计算。这个分组对象本身是轻量级的，它存储了分组信息，但尚未遍历数据。
2. 分离聚合：然后，对这个分组对象上的每个需要聚合的列，独立地调用其矢量化的聚合方法（如.mean(), .quantile(), .max()）。这些操作通常经过高度优化，能够利用NumPy的底层矢量化能力，避免Python级别的循环。
3. 构建结果数据框：将这些分离计算出的聚合结果组合成一个新的Pandas DataFrame。

下面是优化后的代码实现：

蚂蚁PPT

AI在线智能生成PPT

113

查看详情

# 惰性分组：创建分组对象
groups = df.groupby(['specimen', 'delta_t'])

# 分离聚合：对每个列独立进行矢量化操作
df_result_optimized = pd.DataFrame({
    'measurement_mean': groups['measuremnt'].mean(),
    'measurement_q75': groups['measuremnt'].quantile(.75),
    'measurement_max': groups['measuremnt'].max(),
    'lag_mean': groups['lag'].mean()
}).reset_index()

print("\n优化后聚合结果（部分）：")
print(df_result_optimized.head())

通过%%timeit测试优化后的代码，其性能表现显著提升：

%%timeit -n 10
groups = df.groupby(['specimen', 'delta_t'])
df_result_optimized = pd.DataFrame({
    'measurement_mean': groups['measuremnt'].mean(),
    'measurement_q75': groups['measuremnt'].quantile(.75),
    'measurement_max': groups['measuremnt'].max(),
    'lag_mean': groups['lag'].mean()
}).reset_index()
# 结果示例：1.95 ms ± 337 µs per loop (mean ± std. dev. of 7 runs, 10 loops each)

通过对比可以看出，优化后的方法将执行时间从约 43.2 ms 降低到约 1.95 ms，性能提升了超过20倍。这种提升对于处理百万甚至亿级数据行的数据框而言，意味着从数分钟到数秒，甚至从数小时到数分钟的巨大差异。

结果结构与多级索引

默认情况下，分离聚合方法会生成扁平化的列名（例如measurement_mean）。如果需要保持与agg方法类似的多级列索引结构，可以在构建结果DataFrame时使用元组作为字典的键。

df_result_multiindex = pd.DataFrame({
    ('measurement','mean'): groups['measuremnt'].mean(),
    ('measurement','q75'): groups['measuremnt'].quantile(.75),
    ('measurement','max'): groups['measuremnt'].max(),
    ('lag','mean'): groups['lag'].mean()
}).reset_index()

print("\n优化后多级索引聚合结果（部分）：")
print(df_result_multiindex.head())

这会生成一个带有MultiIndex列的DataFrame，结构上与原始agg方法更为接近。

注意事项与最佳实践

1. 适用场景：这种优化策略在大数据集、需要执行多个聚合函数（特别是包含自定义函数或非内置函数）的groupby操作中效果最为显著。对于简单聚合（如只计算一个mean）或小数据集，两种方法的性能差异可能不明显。
2. 矢量化优势：Pandas和NumPy的矢量化操作是性能优化的关键。尽量利用内置的矢量化函数（如.mean(), .sum(), .quantile()等），而非编写Python循环或低效的自定义函数。
3. 代码可读性：虽然优化后的代码可能比单行agg略长，但其逻辑依然清晰，每个聚合操作都明确地指定了其目标列和方法。
4. 内存考虑：创建分组对象本身并不会显著增加内存开销。但如果需要聚合的列非常多，或者聚合结果本身非常大，仍需注意内存使用。
5. 自定义函数：如果必须使用自定义函数，应确保它们内部尽可能地利用NumPy或Pandas的矢量化能力，以减少Python循环的开销。

总结

Pandas groupby操作的性能优化是处理大规模数据集的关键环节。本文详细阐述了在agg方法中直接使用多个聚合函数，特别是自定义函数可能导致的性能瓶颈，并提出了一种高效的“惰性分组与分离聚合”策略。通过先创建分组对象，再对每个列独立应用矢量化聚合方法，可以显著提升数据处理效率，将聚合时间从数十毫秒降低至数毫秒，在大数据场景下具有巨大的实践价值。掌握并应用这一优化技巧，将有助于开发者更高效地处理和分析复杂的数据集。

以上就是提升Pandas Groupby效率：惰性分组与分离聚合实践的详细内容，更多请关注php中文网其它相关文章！