如何加快熊猫数据框列类型的转换？答案

【问题标题】：How can I speed up my conversion of pandas dataframe column types?如何加快熊猫数据框列类型的转换？
【发布时间】：2021-08-02 00:06:03
【问题描述】：

我正在开发一个 python 模块，它允许用户从 parquet 文件中读取超过 1M 行 x 372 列到内存中，供人们执行如下分析：

data = pandas.read_parquet(url1 + str(year) + url2, columns=columns, engine='fastparquet')

我正在尝试通过转换某些数据类型来主动减少数据大小，例如对象到类别、int64 到 int32 等，通过执行以下操作：

for column in test.select_dtypes(include=['object']):
    
    if len(test[column].unique()) < 100:
        test[column] = test[column].astype('category')
        
for column in test.select_dtypes(include=['int64']):
    
    test[column] = test[column].astype('int32')

for column in test.select_dtypes(include=['float64']):
    
    test[column] = test[column].astype('float32')

这样可以将数据大小减少约 50%，但速度很慢（完全转换需要约 3 分钟，而初始数据导入只需 1 分钟）。有没有另一种方法可以让这个运行更快？ TIA。

【问题讨论】：

标签： python pandas dataframe type-conversion

【解决方案1】：

不要使用 pandas 方法进行转换，而是尝试使用更快的 numpy 数组。例如：

test[column] = np.array(test[column], dtype=np.float32)

从 numpy 文档中检查不同的数据类型： https://numpy.org/doc/stable/reference/arrays.dtypes.html

【讨论】：

感谢 Muhammad，将运行时间缩短了 50%！