使用 int8 列检查 pandas 数据框中的 NaN 值

Question

正如我在上周提出的question 中提出的那样，存储具有[True, False, NaN] 范围内的值的列的一种内存有效方法是使用int8-datatype 将True 表示为@987654325 @、False 作为0 和NaN 作为-1。

如果我这样做，“重新定义”pandas 的 isnull() 方法的好习惯是什么，还要考虑到，如果数据框中的列具有 dtype int8，-1 应该被视为 null -价值。我可以考虑定义一个新函数def isnull(v)，如果值为 NaN，则返回 -1，如果是 dtype int8，但我可以想象这不会是一个非常快速和有效的解决方案（假设数据框我正在使用的是数 GB 大，我希望能够计算列/数据帧中“空”值的数量）。

Answer 1

应该很快……

100.000.000 行系列的计时。

In [84]: s = pd.Series(np.random.choice([1,0,-1], 10**8), dtype=np.int8)

In [85]: s.shape
Out[85]: (100000000,)

模拟series.isnull():

In [86]: %timeit s==-1
87 ms ± 3.51 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [87]: %timeit s.values==-1
84.1 ms ± 2.88 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

In [88]: %timeit np.where(s==-1)
546 ms ± 14.6 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [89]: %timeit np.where(s.values==-1)
531 ms ± 2.78 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

模拟：series.isnull().sum()：

In [90]: %timeit (s==-1).sum()
1.39 s ± 38.1 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [91]: %timeit (s.values==-1).sum()
181 ms ± 1.88 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

PS 请注意，在计算（求和）它们时，(s==-1).sum() 和 (s.values==-1).sum() 之间的差异非常明显