최적의 pandas 반복

효율적인 Python 코드 작성

Logan Thomas

Scientific Software Technical Trainer, Enthought

pandas 내부 동작

반복문 제거는 pandas에도 적용됩니다
pandas는 NumPy 위에 구축되었습니다
- NumPy 배열의 효율성을 활용하세요

alt=”pandas 라이브러리 로고가 NumPy 패키지 로고 위, 그 아래에 Python 로고; pandas→NumPy 선에 Builds on, NumPy→Python 선에 Builds on 텍스트”

print(baseball_df)

  Team League  Year   RS   RA   W    G  Playoffs
0  ARI     NL  2012  734  688  81  162         0
1  ATL     NL  2012  700  600  94  162         1
2  BAL     AL  2012  712  705  93  162         1
...

wins_np = baseball_df['W'].values

print(type(wins_np))

<class 'numpy.ndarray'>

print(wins_np)

[ 81  94  93 ...]

벡터화의 힘

브로드캐스팅(벡터화)은 매우 효율적입니다!

baseball_df['RS'].values - baseball_df['RA'].values

array([  46,  100,    7, ...,  188,  110, -117])

배열로 득점 차(RD) 계산

run_diffs_np = baseball_df['RS'].values - baseball_df['RA'].values

baseball_df['RD'] = run_diffs_np
print(baseball_df)

     Team League  Year   RS   RA    W    G  Playoffs   RD
0     ARI     NL  2012  734  688   81  162         0   46
1     ATL     NL  2012  700  600   94  162         1  100
2     BAL     AL  2012  712  705   93  162         1    7
3     BOS     AL  2012  734  806   69  162         0  -72
4     CHC     NL  2012  613  759   61  162         0 -146
...

방법 비교

%%timeit
run_diffs_np = baseball_df['RS'].values - baseball_df['RA'].values

baseball_df['RD'] = run_diffs_np

124 µs ± 1.47 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each)

실력을 연습해 봅시다!

효율적인 Python 코드 작성