1、NumExpr

NumExpr 是一個對NumPy計算式進行的性能優化。NumExpr的使用及其簡單，只需要將原來的numpy語句使用雙引號框起來，并使用numexpr中的evaluate方法調用即可。

經驗上看，數據有上萬條+ 使用NumExpr才比較優效果，對于簡單運算使用NumExpr可能會更慢。如下較復雜計算，速度差不多快了5倍。

importnumexprasne

importnumpyasnp

a=np.linspace(0,1000,1000)

print('#numpy十次冪計算')
%timeita**10

print('#numexpr十次冪計算')
%timeitne.evaluate('a**10')

2、Numba

#pipinstallnumba

importnumbaasnb

#用numba加速的求和函數
@nb.jit()
defnb_sum(a):
Sum=0
foriinrange(len(a)):
Sum+=a[i]
returnSum

#沒用numba加速的求和函數
defpy_sum(a):
Sum=0
foriinrange(len(a)):
Sum+=a[i]
returnSum

importnumpyasnp
a=np.linspace(0,1000,1000)#創建一個長度為1000的數組
print('#python求和函數')
%timeitsum(a)
print('#沒加速的for循環求和函數')
%timeitpy_sum(a)
print('#numba加速的for循環求和函數')
%timeitnb_sum(a)
print('#numpy求和函數')
%timeitnp.sum(a)

fromnumbaimportcuda
cuda.select_device(1)

@cuda.jit
defCudaSquare(x):
i,j=cuda.grid(2)
x[i][j]*=x[i][j]


#numba的矢量化加速
frommathimportsin
@nb.vectorize()
defnb_vec_sin(a):
returnsin(a)

3、CuPy

CuPy 是一個借助 CUDA GPU 庫在英偉達 GPU 上實現 Numpy 數組的庫。基于 Numpy 數組的實現，GPU 自身具有的多個 CUDA 核心可以促成更好的并行加速。

#pipinstallcupy
importnumpyasnp
importcupyascp
importtime

###numpy
s=time.time()
x_cpu=np.ones((1000,1000,1000))
e=time.time()
print(e-s)

###CuPy
s=time.time()
x_gpu=cp.ones((1000,1000,1000))
e=time.time()
print(e-s)

4、pandas使用技巧

4.1 按行迭代優化

我們按行對dataframe進行迭代，一般我們會用iterrows這個函數。在新版的pandas中，提供了一個更快的itertuples函數，如下可以看到速度快了幾十倍。

importpandasaspd
importnumpyasnp
importtime
df=pd.DataFrame({'a':np.random.randn(100000),
'b':np.random.randn(100000),
'N':np.random.randint(100,1000,(100000)),
'x':np.random.randint(1,10,(100000))})

%%timeit
a2=[]
forrowindf.itertuples():
temp=getattr(row,'a')
a2.append(temp*temp)
df['a2']=a2
%%timeit
a2=[]
forindex,rowindf.iterrows():
temp=row['a']
a2.append(temp*temp)
df['a2']=a2

4.2 apply、applymap優化

當對于每行執行類似的操作時，用循環逐行處理效率很低。這時可以用apply或applymap搭配函數操作，其中apply是可用于逐行計算，而applymap可以做更細粒度的逐個元素的計算。

#列a、列b逐行進行某一函數計算
df['a3']=df.apply(lambdarow:row['a']*row['b'],axis=1)
#逐個元素保留兩位小數
df.applymap(lambdax:"%.2f"%x)

4.3 聚合函數agg優化

對于某列將進行聚合后，使用內置的函數比自定義函數效率更高，如下示例速度加速3倍

%timeitdf.groupby("x")['a'].agg(lambdax:x.sum())

%timeitdf.groupby("x")['a'].agg(sum)

%timeitdf.groupby("x")['a'].agg(np.sum)

4.4 文件操作

4.5 pandas.eval

importpandasaspd
nrows,ncols=20000,100
df1,df2,df3,df4=[pd.DataFrame(np.random.randn(nrows,ncols))for_inrange(4)]

print('pd')
%timeitdf1+df2+df3+df4
print('pd.eval')
%timeitpd.eval("df1+df2+df3+df4")

5、Cython優化

Cython是一個基于C語言的Python 編譯器，在一些計算量大的程序中，可以Cython來實現相當大的加速。考慮大部分人可能都不太了解復雜的cython語句，下面介紹下Cython的簡易版使用技巧。

通過在Ipython加入 Cython 魔術函數%load_ext Cython，如下示例就可以加速了一倍。進一步再借助更高級的cython語句，還是可以比Python快個幾十上百倍。

%%cython
deff_plain(x):
returnx*(x-1)
defintegrate_f_plain(a,b,N):
s=0
dx=(b-a)/N
foriinrange(N):
s+=f_plain(a+i*dx)
returns*dx

6、swifter

swifter是pandas的插件，可以直接在pandas的數據上操作。Swifter的優化方法檢驗計算是否可以矢量化或者并行化處理，以提高性能。如常見的apply就可以通過swifter并行處理。

importpandasaspd
importswifter

df.swifter.apply(lambdax:x.sum()-x.min())

7、Modin

Modin后端使用dask或者ray（dask是類似pandas庫的功能，可以實現并行讀取運行），是個支持分布式運行的類pandas庫，簡單通過更改一行代碼import modin.pandas as pd就可以優化 pandas，常用的內置的read_csv、concat、apply都有不錯的加速。注：并行處理的開銷會使小數據集的處理速度變慢。

!pipinstallmodin
importpandas
importmodin.pandasaspd
importtime

##pandas

pandas_df=pandas.DataFrame({'a':np.random.randn(10000000),
'b':np.random.randn(10000000),
'N':np.random.randint(100,10000,(10000000)),
'x':np.random.randint(1,1000,(10000000))})



start=time.time()

big_pandas_df=pandas.concat([pandas_dffor_inrange(25)])

end=time.time()
pandas_duration=end-start
print("Timetoconcatwithpandas:{}seconds".format(round(pandas_duration,3)))

####modin.pandas
modin_df=pd.DataFrame({'a':np.random.randn(10000000),
'b':np.random.randn(10000000),
'N':np.random.randint(100,10000,(10000000)),
'x':np.random.randint(1,1000,(10000000))})

start=time.time()
big_modin_df=pd.concat([modin_dffor_inrange(25)])

end=time.time()
modin_duration=end-start
print("TimetoconcatwithModin:{}seconds".format(round(modin_duration,3)))

print("Modinis{}xfasterthanpandasat`concat`!".format(round(pandas_duration/modin_duration,2)))