Как было предложено в вопросе, который я задал на прошлой неделе, эффективным способом хранения столбца со значениями в диапазоне [True, False, NaN]
было бы использование int8
-datatype для обозначения True
как 1
, False
как 0
и NaN
как -1
.
Если я это сделаю, то будет хорошей практикой "переопределить" методы pandas isnull()
чтобы также учитывать, что если столбец в dataframe имеет dtype int8
, -1
следует считать нулевым значением. Я мог бы подумать об определении новой функции def isnull(v)
, которая возвращает, если значение имеет значение NaN или -1 в случае dtype int8
, но я могу себе представить, что это будет не очень быстрое и эффективное решение (учитывая, что dataframe Я работаю с несколькими гигабайтами большой, и я хочу иметь возможность подсчитать количество "null" -values в столбце /dataframe).
это должно быть довольно быстро...
Сроки для серии 100.000.000 рядов.
In [84]: s = pd.Series(np.random.choice([1,0,-1], 10**8), dtype=np.int8)
In [85]: s.shape
Out[85]: (100000000,)
моделирование 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)
Моделирование: 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 обратите внимание, что для подсчета (суммирования) их разности между (s==-1).sum()
и (s.values==-1).sum()
довольно заметна
num_null_values = (s.values == -1).sum()
.and I want to be able to count the amount of "null"-values