56

我有一个这种格式的 .csv 文件

timestmp, p
2014/12/31 00:31:01:9200, 0.7
2014/12/31 00:31:12:1700, 1.9
...

当通过读取pd.read_csv并将时间 str 转换为 datetime usingpd.to_datetime时，性能会急剧下降。这是一个最小的例子。

import re
import pandas as pd

d = '2014-12-12 01:02:03.0030'
c = re.sub('-', '/', d)

%timeit pd.to_datetime(d)
%timeit pd.to_datetime(c)
%timeit pd.to_datetime(c, format="%Y/%m/%d %H:%M:%S.%f")

表演如下：

10000 loops, best of 3: 62.4 µs per loop
10000 loops, best of 3: 181 µs per loop
10000 loops, best of 3: 82.9 µs per loop

那么，如何提高pd.to_datetime从 csv 文件中读取日期的性能呢？

4

3 回答 3

68

这是因为当 pandasdateutil.parser.parse具有非默认格式或没有format提供字符串时（这更灵活，但也更慢），它会回退到解析字符串。

如上所示，您可以通过format向to_datetime. 或者另一种选择是使用infer_datetime_format=True

显然，infer_datetime_format当有微秒时，无法推断。使用没有这些的示例，您可以看到很大的加速：

In [28]: d = '2014-12-24 01:02:03'

In [29]: c = re.sub('-', '/', d)

In [30]: s_c = pd.Series([c]*10000)

In [31]: %timeit pd.to_datetime(s_c)
1 loops, best of 3: 1.14 s per loop

In [32]: %timeit pd.to_datetime(s_c, infer_datetime_format=True)
10 loops, best of 3: 105 ms per loop

In [33]: %timeit pd.to_datetime(s_c, format="%Y/%m/%d %H:%M:%S")
10 loops, best of 3: 99.5 ms per loop
于 2015-08-16T12:09:54.043 回答
8

这个问题已经得到了充分的回答，但我想添加一些我正在运行的测试的结果来优化我自己的代码。

我从 API 获得了这种格式：“Wed Feb 08 17:58:56 +0000 2017”。

使用默认值pd.to_datetime(SERIES)和隐式转换，处理大约 2000 万行需要一个多小时（取决于我有多少可用内存）。

也就是说，我测试了三种不同的转换：

# explicit conversion of essential information only -- parse dt str: concat
def format_datetime_1(dt_series):

    def get_split_date(strdt):
        split_date = strdt.split()
        str_date = split_date[1] + ' ' + split_date[2] + ' ' + split_date[5] + ' ' + split_date[3]
        return str_date

    dt_series = pd.to_datetime(dt_series.apply(lambda x: get_split_date(x)), format = '%b %d %Y %H:%M:%S')

    return dt_series

# explicit conversion of what datetime considers "essential date representation" -- parse dt str: del then join
def format_datetime_2(dt_series):

    def get_split_date(strdt):
        split_date = strdt.split()
        del split_date[4]
        str_date = ' '.join(str(s) for s in split_date)
        return str_date

    dt_series = pd.to_datetime(dt_series.apply(lambda x: get_split_date(x)), format = '%c')

    return dt_series

# explicit conversion of what datetime considers "essential date representation" -- parse dt str: concat
def format_datetime_3(dt_series):

    def get_split_date(strdt):
        split_date = strdt.split()
        str_date = split_date[0] + ' ' + split_date[1] + ' ' + split_date[2] + ' ' + split_date[3] + ' ' + split_date[5]
        return str_date

    dt_series = pd.to_datetime(dt_series.apply(lambda x: get_split_date(x)), format = '%c')

    return dt_series

# implicit conversion
def format_datetime_baseline(dt_series):

    return pd.to_datetime(dt_series)

这是结果：

# sample of 250k rows
dt_series_sample = df['created_at'][:250000]

%timeit format_datetime_1(dt_series_sample)        # best of 3: 1.56 s per loop
%timeit format_datetime_2(dt_series_sample)        # best of 3: 2.09 s per loop
%timeit format_datetime_3(dt_series_sample)        # best of 3: 1.72 s per loop
%timeit format_datetime_baseline(dt_series_sample) # best of 3: 1min 9s per loop

第一个测试结果令人印象深刻的运行时间减少了 97.7%！

有点令人惊讶的是，看起来即使是“适当的表示”也需要更长的时间，可能是因为它是半隐式的。

结论：你越明确，它运行得越快。

于 2017-09-04T20:45:33.510 回答
4

通常我无法提前指定标准日期格式，因为我根本不知道每个客户将如何选择提交它。日期的格式无法预测，并且经常丢失。

在这些情况下pd.to_datetime，我发现将自己的包装器编写为更有效，而不是使用dateutil.parser.parse：

import pandas as pd
from dateutil.parser import parse
import numpy as np

def parseDateStr(s):
    if s != '':
        try:
            return np.datetime64(parse(s))
        except ValueError:
            return np.datetime64('NaT')
    else: return np.datetime64('NaT')             

# Example data:
someSeries=pd.Series(  ['NotADate','','1-APR-16']*10000 )

# Compare times:
%timeit pd.to_datetime(someSeries, errors='coerce') #1 loop, best of 3: 1.78 s per loop
%timeit someSeries.apply(parseDateStr)              #1 loop, best of 3: 904 ms per loop

# The approaches return identical results:
someSeries.apply(parseDateStr).equals(pd.to_datetime(someSeries, errors='coerce')) # True

在这种情况下，运行时间减半，但 YMMV。

于 2016-12-08T20:04:03.133 回答