Se trata de una QnA de respuesta automática que pretende informar a los usuarios sobre las dificultades y los beneficios de la aplicación.
He visto muchas respuestas publicadas en preguntas sobre Stack Overflow que involucran el uso de aplicar. También he visto a usuarios que comentan debajo de ellos que dicen que ” apply
es lento”, y debería evitarse “.
He leído muchos artículos sobre el tema del rendimiento que explican que apply
es lento. También he visto un descargo de responsabilidad en los documentos acerca de cómo apply
es simplemente una función de conveniencia para pasar UDF (parece que no puede encontrar eso ahora). Por lo tanto, el consenso general es que se debe evitar apply
si es posible. Sin embargo, esto plantea las siguientes preguntas:
apply
es tan malo, ¿por qué está en la API? apply
-free? apply
sea bueno (mejor que otras soluciones posibles)? apply
la función de conveniencia que nunca has necesitado. Comenzamos por abordar las preguntas en el OP, una por una.
Si
apply
es tan malo, ¿por qué está en la API?
DataFrame.apply
y Series.apply
son funciones de conveniencia definidas en DataFrame y Series object respectivamente. apply
acepta cualquier función definida por el usuario que aplique una transformación / agregación en un DataFrame. apply
es efectivamente una bala de plata que hace lo que cualquier función de pandas existente no puede hacer.
Algunas de las cosas que se apply
pueden hacer:
axis=1
) o en columnas ( axis=0
) en un DataFrame agg
o transform
) …Entre otros. Para obtener más información, consulte la aplicación de función Fila o columna en la documentación.
Entonces, con todas estas características, ¿por qué se apply
mal? Es porque apply
es lento . Pandas no hace suposiciones sobre la naturaleza de su función, y así aplica iterativamente su función a cada fila / columna según sea necesario. Además, el manejo de todas las situaciones anteriores significa que la apply
incurre en algunos gastos generales importantes en cada iteración. Además, apply
consume mucha más memoria, lo que es un desafío para las aplicaciones con límite de memoria.
Hay muy pocas situaciones en las que apply
es apropiado usar (más sobre esto más adelante). Si no está seguro de si debería usar apply
, probablemente no debería.
Vamos a abordar la siguiente pregunta.
¿Cómo y cuándo debo hacer que mi código se
apply
-free?
Datos numéricos
Si está trabajando con datos numéricos, es probable que ya exista una función cython vectorizada que hace exactamente lo que está tratando de hacer (si no, haga una pregunta sobre el desbordamiento de stack o abra una solicitud de función en GitHub).
Contraste el rendimiento de apply
para una operación de adición simple.
df = pd.DataFrame({"A": [9, 4, 2, 1], "B": [12, 7, 5, 4]}) df AB 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
En cuanto al rendimiento, no hay comparación, el equivalente citonizado es mucho más rápido. No hay necesidad de un gráfico, porque la diferencia es obvia incluso para los datos de juguetes.
%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)
Incluso si habilitas pasar matrices en bruto con el argumento en raw
, aún es el doble de lento.
%timeit df.apply(np.sum, raw=True) 840 µs ± 691 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
Otro ejemplo:
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)
En general, busque alternativas vectorizadas si es posible.
Cuerda / Regex
Pandas proporciona funciones de cadena “vectorizadas” en la mayoría de las situaciones, pero hay casos raros donde esas funciones no … “aplican”, por así decirlo.
Un problema común es verificar si un valor en una columna está presente en otra columna de la misma fila.
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
Esto debería devolver la fila segunda y tercera fila, ya que “donald” y “minnie” están presentes en sus respectivas columnas “Título”.
Usando Apply, esto se haría usando
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
Sin embargo, existe una mejor solución utilizando listas de comprensión.
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)
Lo que hay que tener en cuenta aquí es que las rutinas iterativas son más rápidas que las de apply
, debido a la menor sobrecarga. Si necesita manejar NaNs y tipos de datos no válidos, puede aprovechar esto utilizando una función personalizada a la que puede llamar con argumentos dentro de la lista de comprensión.
Para obtener más información sobre cuándo debe considerarse una lista la comprensión de las listas, consulte mi artículo: Para bucles con pandas: ¿cuándo debería importarme? .
Nota
Las operaciones de fecha y fecha / hora también tienen versiones vectorizadas. Entonces, por ejemplo, deberías preferirpd.to_datetime(df['date'])
, over, say,df['date'].apply(pd.to_datetime)
.Lea más en los documentos .
Explosiones de columnas de listas
s = pd.Series([[1, 2]] * 3) s 0 [1, 2] 1 [1, 2] 2 [1, 2] dtype: object
Las personas están tentadas a usar apply(pd.Series)
. Esto es horrible en términos de rendimiento.
s.apply(pd.Series) 0 1 0 1 2 1 1 2 2 1 2
Una mejor opción es listificar la columna y pasarla a 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)
Por último,
¿Alguna vez hay situaciones donde
apply
es bueno ?
Aplicar es una función de conveniencia, por lo que hay situaciones en las que los gastos generales son lo suficientemente insignificantes como para perdonar. Realmente depende de cuántas veces se llama la función.
Funciones que están vectorizadas para Series, pero no DataFrames
¿Qué sucede si desea aplicar una operación de cadena en varias columnas? ¿Qué sucede si desea convertir varias columnas a datetime? Estas funciones están vectorizadas solo para Series, por lo que deben aplicarse sobre cada columna en la que desea convertir / operar.
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
Este es un caso admisible para apply
:
df.apply(pd.to_datetime, errors='coerce').dtypes date1 datetime64[ns] date2 datetime64[ns] dtype: object
Tenga en cuenta que también tendría sentido stack
, o simplemente utilizar un bucle explícito. Todas estas opciones son un poco más rápidas que usar apply
, pero la diferencia es lo suficientemente pequeña como para perdonar.
%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)
Puede establecer un caso similar para otras operaciones, como operaciones de cadena o conversión a categoría.
u = df.apply(lambda x: x.str.contains(...)) v = df.apply(lambda x: x.astype(category)
v / s
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)
Y así…
Convirtiendo Series a str
dtype usando astype
v / s apply
Esto parece una idiosincrasia de la API. El uso de apply
para convertir enteros en una serie a una cadena es comparable (ya veces más rápido) que usar astype
.
El gráfico se trazó utilizando la biblioteca
perfplot
.
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() )
Con los flotadores, veo que el astype
es siempre tan rápido o un poco más rápido de lo que se apply
. Entonces, esto tiene que ver con el hecho de que los datos en la prueba son de tipo entero.
Operación GroupBy
por dos funciones.
GroupBy.apply
no se ha discutido hasta ahora, pero GroupBy.apply
también es una función de conveniencia iterativa para manejar cualquier cosa que las funciones de GroupBy
existentes no GroupBy
.
Un requisito común es realizar un GroupBy y luego dos operaciones principales, como un “cumsum retrasado”:
df = pd.DataFrame({"A": list('aabcccddee'), "B": [12, 7, 5, 4, 5, 4, 3, 2, 1, 10]}) df AB 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
Necesitarías dos llamadas grupales sucesivas aquí:
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
Usando apply
, puedes acortar esto a una sola llamada.
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
Es muy difícil cuantificar el rendimiento porque depende de los datos. Pero en general, apply
es una solución aceptable si el objective es reducir una llamada groupby
(porque groupby
también es bastante costoso).
apply
no son iguales La siguiente tabla sugiere cuándo considerar apply
1 . Verde significa posiblemente eficiente; rojo evitar
Parte de esto es intuitivo: pd.Series.apply
es un bucle a nivel de Python, pd.DataFrame.apply
filas ( axis=1
). Los usos indebidos de estos son muchos y de gran scope. El otro post trata con ellos en mayor profundidad. Las soluciones populares son el uso de métodos vectorizados, listas de comprensión (asume datos limpios), o herramientas eficientes como el constructor pd.DataFrame
(por ejemplo, para evitar apply(pd.Series)
).
Si está utilizando pd.DataFrame.apply
filas, a menudo es beneficioso especificar raw=True
(cuando sea posible). En esta etapa, la numba
suele ser una mejor opción.
GroupBy.apply
: generalmente favorecido Repetir groupby
operaciones groupby
para evitar apply
dañará el rendimiento. GroupBy.apply
generalmente está bien aquí, siempre que los métodos que utilice en su función personalizada sean vectorizados. A veces no existe un método nativo de Pandas para una agregación grupal que desee aplicar. En este caso, para una pequeña cantidad de grupos, apply
con una función personalizada aún puede ofrecer un rendimiento razonable.
pd.DataFrame.apply
columna-sabio: una bolsa mixta pd.DataFrame.apply
columna ( axis=0
) es un caso interesante. Para un pequeño número de filas frente a un gran número de columnas, casi siempre es costoso. Para un gran número de filas en relación con las columnas, el caso más común, a veces puede ver mejoras significativas en el rendimiento al usar apply
:
# Python 3.7, Pandas 0.23.4 np.random.seed(0) df = pd.DataFrame(np.random.random((10**7, 3))) # Scenario_1, many rows df = pd.DataFrame(np.random.random((10**4, 10**3))) # Scenario_2, many columns # Scenario_1 | Scenario_2 %timeit df.sum() # 800 ms | 109 ms %timeit df.apply(pd.Series.sum) # 568 ms | 325 ms %timeit df.max() - df.min() # 1.63 s | 314 ms %timeit df.apply(lambda x: x.max() - x.min()) # 838 ms | 473 ms %timeit df.mean() # 108 ms | 94.4 ms %timeit df.apply(pd.Series.mean) # 276 ms | 233 ms
1 Hay excepciones, pero generalmente son marginales o poco frecuentes. Un par de ejemplos:
df['col'].apply(str)
puede superar ligeramente a df['col'].astype(str)
. df.apply(pd.to_datetime)
trabaja en cadenas no se df.apply(pd.to_datetime)
bien con las filas en comparación con un ciclo regular for
. Me gustaría añadir mis dos centavos:
¿Alguna vez hay situaciones donde aplicar es bueno? Sí a veces.
Tarea: descifrar cadenas Unicode.
import numpy as np import pandas as pd import unidecode s = pd.Series(['mañana','Ceñía']) s.head() 0 mañana 1 Ceñía s.apply(unidecode.unidecode) 0 manana 1 Cenia
Actualizar
De ninguna manera abogaba por el uso de apply
, solo pensaba, ya que el numpy
no puede lidiar con la situación anterior, podría haber sido un buen candidato para la pandas apply
. Pero me estaba olvidando de la simple comprensión de la lista gracias al recordatorio de @jpp.