【跟着stackoverflow学Pandas】How to iterate over rows in a DataFrame in Pandas-DataFrame按行迭代

最近做一个系列博客，跟着stackoverflow学Pandas。

专栏地址：http://blog.csdn.net/column/details/16726.html

以 pandas作为关键词，在stackoverflow中进行搜索，随后安照 votes 数目进行排序：
https://stackoverflow.com/questions/tagged/pandas?sort=votes&pageSize=15

How to iterate over rows in a DataFrame in Pandas-DataFrame按行迭代

https://stackoverflow.com/questions/16476924/how-to-iterate-over-rows-in-a-dataframe-in-pandas

http://stackoverflow.com/questions/7837722/what-is-the-most-efficient-way-to-loop-through-dataframes-with-pandas

在对DataFrame进行操作时，我们不可避免的需要逐行查看或操作数据，那么有什么高效、快捷的方法呢？

index序号索引

import pandas as pdinp = [{'c1':10, 'c2':100}, {'c1':11,'c2':110}, {'c1':12,'c2':120}]df = pd.DataFrame(inp)for x in xrange(len(df.index)):    print df['c1'].iloc[x]

这似乎是最常规的办法，而且可以在迭代的过程中对DataFrame进行操作。

enumerate

for i, row in enumerate(df.values):    index= df.index[i]    print row

df.values 是 numpy.ndarray 类型
这里 i 是index的序号， row是numpy.ndarray类型。

iterrows

https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.iterrows.html

import pandas as pdinp = [{'c1':10, 'c2':100}, {'c1':11,'c2':110}, {'c1':12,'c2':120}]df = pd.DataFrame(inp)for index, row in df.iterrows():    print row['c1'], row['c2']#10 100#11 110#12 120

df.iterrows() 的每次迭代都是一个tuple类型,包含了index和每行的数据。

1. 采用iterrows的方法，得到的 row 是一个Series，DataFrame的dtypes不会被保留。
2. 返回的Series只是一个原始DataFrame的复制，不可以对原始DataFrame进行修改；

itertuples

http://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.itertuples.html

import pandas as pdinp = [{'c1':10, 'c2':100}, {'c1':11,'c2':110}, {'c1':12,'c2':120}]df = pd.DataFrame(inp)for row in df.itertuples():    # print row[0], row[1], row[2] 等同于    print row.Index, row.c1, row.c2

itertuples 返回的是一个 pandas.core.frame.Pandas 类型。

普遍认为itertuples 比 iterrows的速度要快。

zip / itertools.izip

zip 和 itertools.izip的用法是相似的， 但是zip返回一个list，而izip返回一个迭代器。 如果数据量很大，zip的性能不及izip

from itertools import izipimport pandas as pdinp = [{'c1':10, 'c2':100}, {'c1':11,'c2':110}, {'c1':12,'c2':120}]df = pd.DataFrame(inp)for row in izip(df.index, df['c1'], df['c2']):    print row

时间测评

import timefrom numpy.random import randndf = pd.DataFrame({'a': randn(100000), 'b': randn(100000)})time_stat = []# range(index)test_list = []t = time.time()for r in xrange(len(df)):    test_list.append((df.index[r], df.iloc[r,0], df.iloc[r,1]))time_stat.append(time.time()-t)# enumeratetest_list = []t = time.time()for i, r in enumerate(df.values):    test_list.append((df.index[i], r[0], r[1]))time_stat.append(time.time()-t)# iterrowstest_list = []t = time.time()for i,r in df.iterrows():    test_list.append((df.index[i], r['a'], r['b']))time_stat.append(time.time()-t)#itertuplestest_list = []t = time.time()for ir in df.itertuples():    test_list.append((ir[0], ir[1], ir[2]))    time_stat.append(time.time()-t)# ziptest_list = []t = time.time()for r in zip(df.index, df['a'], df['b']):    test_list.append((r[0], r[1], r[2]))time_stat.append(time.time()-t)# iziptest_list = []t = time.time()from itertools import izipfor r in izip(df.index, df['a'], df['b']):    test_list.append((r[0], r[1], r[2]))time_stat.append(time.time()-t)time_df = pd.DataFrame({'items':['range(index)', 'enumerate',  'iterrows', 'itertuples' , 'zip', 'izip'], 'time':time_stat})time_df.sort_values('time')items   time5   izip    0.0348694   zip 0.0404403   itertuples  0.0726041   enumerate   0.1740942   iterrows    4.0262930   range(index)    21.921407

可以发现在时间花销上， izip > zip > itertuples > enumerate > iterrows > range(index)