说真的，你可能误会Pandas了

有人担心pandas处理数据的效率是不是不咋地。

pandas是基于numpy数组来计算的，其实本身有优势，处理小批量数据集（百万行以下，1GB以内）效率是完全可以接受的，相比其他的数据处理库其实差异不大，因为1GB以内的容量对电脑内存的占用并不大，且单核处理起来也不吃力，这时候Pandas的速度和便捷性综合优势能发挥到最大。

但如果超出1GB的数据，由于计算资源吃紧和内存过载的关系，pandas就会显得心有余而力不足，一些复杂的数据处理操作会很消耗时间，比如groupby、apply等。

如何优化Pandas的速度呢？首先得知道pandas的哪些骚操作会让它变慢。

首当其冲的就是逐行循环操作，比如apply方法，是对每一行执行函数操作，这会促发触发 Python 解释器开销，速度非常的慢。

比如你对每一行执行多字段判断操作，比如math > 90, english > 90 则返回“优秀”，使用apply方法哪怕每一行只消耗0.0001秒，那处理一千万行的数据也需要17分钟，这是觉得没法忍受的。

如果你真的需要对每一行做处理，可以用numpy向量化来实现，可以用np.select（多分支条件）来实现，会比apply方法快上百倍以上，因为numpy是批量处理的。

import numpy as np  
# numpy向量化处理
condition = (df['math'] > ) & (df['english'] > ) 
df['result_np_where'] = np.where(condition, "优秀", "一般")

另外导致pandas变慢的还有它的数据类型，因为pandas默认使用高精度类型，这就导致无效内存占用过高，比如int64会比int8多8倍的内存。

对于精度要求不高的数据，你可以在加载数据的时候，去调整下数据类型，把高精度调整为合适的低精度，比如年龄字段int8精度就够了，没必要int32或者int64。

# 指定数据类型
dtype_opt = {'id': 'int32', 'age': 'int8', 'price': 'float32'}
df = pd.read_csv('data.csv', dtype=dtype_opt)  

还有重复的字符串不需要都用object类型，比如省份名称，可以用category类型，这样占用的内存会降低。

df['province'] = df['province'].astype('category') 

在读取数据文件的时候，很多人默认全部读取到内存，这对于几十M的小文件来说没什么，但如果是几GB的大文件，则会很快占满内存，导致数据处理变慢。

所以可以用pandas自带的分块加载（chunksize）的方式，将大文件分为n个小文件，分批去读取并处理，这样可以把几GB的大文件拆解成N个几十M的小文件，pandas处理起来就毫无压力。

chunk_size =   # 每次读取5万行
results = []
for chunk in pd.read_csv('huge_file.csv', chunksize=chunk_size):
    chunk = chunk[chunk['value'] > ]  # 过滤处理
    results.append(chunk.groupby('category').sum())
final_result = pd.concat(results).groupby(level=).sum()  # 合并结果

当然以上的优化方法也只使用pandas处理中小规模的数据，对于大数据集尽管优化后速度提升也不会明显。

大数据集有大数据集的处理手段，有不少类pandas的替代加速库可以使用，比如polars、dash、modin、cudf等，它们采用并行计算、分布式或者硬件加速的方式来加快数据处理速度。

而且它们大多是用pandas的接口，函数、方法和pandas类似，切换的学习成本很低，比如Polars、Modin、cuDF。

那什么场景下使用对应的数据处理库呢？就像之前说的，小数据集或者快速验证的数据可以用pandas，单机处理中大数据集用Polars或Modin，分布式处理超大数据集用Dask，有GPU加速用cuDF，复杂查询则用DuckDB。

总的来说，Pandas则绝大多数场景下速度已经够用了，而且它的生态和功能是最完善的，其他加速库尽管速度上有优势，但体系能力还是差不少的。