是否需要使用NumPy代替Pandas处理数据以提高性能？

Pandas和NumPy是Python数据科学领域中最基础的两个库，他们都可以读取大量的数据并对数据做计算等处理。有很多的操作他们都能做。只不过一般来说，Pandas的DataFrame是一种“表格”，处理的数据可以是非常复杂的结构，一个DataFrame对象可以包括数值、字符等内容。而NumPy处理的基本对象一般是数值型的数组。

那么，这两个Python库在数据处理的性能上有什么差别呢？在工程项目中，是否需要考虑优先选择哪种？今天在Reddit上看到一个有意思的讨论和大家分享一下。

一、问题的由来

有位网友是做ETL工具的，目前他们使用pandas来处理数据。他们目前会在亚马逊云上的EC2做一笑部分的Python脚本工作。不过，目前项目中的数据都是比较小的数据。但是有的人建议他如果想更有效率地处理更大规模的数据，最好使用numpy代替pandas。他就问，是不是numpy替代pandas会更好？有没有必要？这个问题引起了很多的争论，各有观点，我选择了一些比较有价值的讨论供大家参考。

二、具体的讨论

1. 某些pandas的方法非常“笨拙”，只要避免使用也是可以的。这种情况下不需要用NumPy替换。比如iterrows按行循环Pandas的DataFrame数据，这是非常慢的。可以考虑使用lambda或者tolist代替。而像apply这种方法表现不稳定，不同方法性能差异较大，谨慎使用。其它操作性能基本都是差不多，不需要替换。

2. 有个以前搞MATLAB的童鞋，现在转成用Python，所以他的处理最常见的就是向量操作。他觉得观点1非常正确。只是有一种情况，有一些多个dataframe组成的dict操作性能一般，无法解决（这哥们还顺带diss了一下MATLAB，说除非是simulink不得已，否则肯定不会再回去使用MATLAB）。不过，这个观点有人不赞同，说使用多索引的DataFrame和dict保存多个DataFrame处理是很复杂的语法，但是性能提升一般。实际中可以考虑使用Pandas on Spark。就用最基本的存储对象操作，性能几乎没有影响。

3. 第三种观点是当某些处理已经由处理引擎优化的时候（如SQL、Spark甚至是GPU的并行计算）那就不需要多考虑了，但是如果是一些操作没有现成的优化引擎，最好的方式是使用native C重写。

4. 慎用DataFrame的迭代与apply方法，多采用lambda、frequent encapsulation代替。

5. Pandas是里面也有NumPy。它可能总是比编写好的Numpy有一些计算上的开销，但它可以节省你写代码的时间，而且更容易调试和维护。如果你的流水线的性能造成了实际问题，用NumPy重写部分可能是值得的。如果不是，过早的优化是万恶之源。

6. 不要纠结这方面。最好是剖析你的代码，找出瓶颈所在。比如你的ETL代码跑1个小时，用NumPy把Pandas耗时3秒的操作降低成100毫秒没有任何意义。

7. 使用Pandas代替NumPy几乎不会由速度的提升甚至可能会变慢。不过NumPy的好处是内存方面占用更低。不过这也不会有很大的内存节省空间。如果生产环境对内存要求敏感，那么可以考虑Spark而不是换成NumPy。

8. 大部分情况下，NumPy的操作不会比Pandas快很多。但有时候Pandas会比较慢。所以最重要的是不要完全依赖Pandas。

9. 考虑使用pyspark代替pandas吧。最新版本的pyspark中提供了一个类似pandas的接口，几乎兼容所有的pandas操作，可以很好地提升性能（这个有人反对：Spark有一些陷阱，这意味着你真的需要摸清基本原理，以获得它的最大价值。这对事业有好处，但对压力水平不利。这哥们真是幽默，哈哈哈哈）

10.1. 这两个工具之间有很多不同。如果你需要处理数字数据，特别是大于2维的数据，你应该学习numpy，因为pandas不会有帮助。pandas对你的数据所做的一切都将以某种方式依赖于numpy数组，因此不可能更快，但它会增加numpy中缺少或笨重的功能，如grouping, lagging, rolling windows、数据时间类型的东西和字符串操作。

10.2. Numpy是纯粹的线性代数之王，它可以做一些惊人的事情，如einsum符号和快速傅里叶变换，但它在文本数据方面没有特别的优势。

10.3. 尽量避免在生产中使用pandas，因为它很耗费内存，而且在将dtypes转换为其他dtypes时也有点不稳定。当你处理文本数据时，主要的加速来自于放弃pandas而使用一些工具，如数据库，或redshift或spark，你的主要问题应该是：我可以并行化这个吗？

11. 最后，有个哥们建议的，人生不是只有代码性能。如果你在乎性能，那就不要第一时间考虑Python。人生苦短，真要在乎，还可以考虑ASIC。哈哈哈哈。

三、总结及个人经验

总的来说，基本结论是Pandas的数值列也是基于NumPy的，同样的操作，NumPy的内存开销和性能应该是有一点优势，但不太值得大家花很大的力气去优化。尤其是过早优化（premature optimization）很不值得。除了个别的操作外，性能的影响很大程度是由于代码逻辑和其它瓶颈导致的。所以需要大家剖析代码来提升性能。在我个人实际项目经验中，也有一些优化经验供大家参考。

1. 原则是如果数据是纯数值型的输入，且计算量大，可以优先一开始考虑NumPy，可能会有惊喜。Pandas某些操作性能真的不好预估。其它时候不用太在乎二者的区别。

2. 实际的处理中，尽量早的考虑数据索引和排序，很多group/merge类型的计算操作，对于排序的数据很敏感。

3. 在数值计算非常密集和耗时的情况下，考虑将pandas的非数值型内容用数值做转换再计算。然后将结果转换回来也是一种好的思路。

4. 很多时候，代码逻辑影响更大。先处理什么后处理什么很重要，同时，如果可以的话，尽量采用pandas和numpy自带的函数以及lambda函数优化逻辑。

5. 在项目的启动的时候，系统设计的过程中需要考虑项目的目标，如果对可扩展性要求很高，尽早考虑采用分布式框架的方案，包括dask、pyspark等。

讨论原文：https://www.reddit.com/r/datascience/comments/rdao7c/is_numpy_always_more_efficient_than_pandas_and/