Pythonデータサイエンスハンドブック ―Jupyter、NumPy、pandas、Matplotlib、scikit-learnを使ったデータ分析、機械学習

3.13

 ハイパフォーマンス

pandas

：

eval()

と

query()

211

言い換えると、中間結果がすべて明示的にメモリに割り当てられることになります。

x

と

y

の配

列が非常に大きい場合、メモリの使用量と計算上のオーバーヘッドは大きくなる可能性がありま

す。

Numexpr

ライブラリは中間結果の割り当てを行わずに、この種の複合表現要素を要素ごとに

計算する機能を提供します。

Numexpr

のドキュメント（

https://github.com/pydata/numexpr

）には詳しく説明されていますが、

ここでは文字列表現した

NumPy

式を

Numexpr

が受け付ける、ということを理解しておけば十分で

す

＊

1

。

In[5]: import numexpr

mask_numexpr = numexpr.evaluate('(x > 0.5) & (y < 0.5)')

np.allclose(

mask, mask_numexpr)

Out[5]: True

Numexpr

の利点は、中間結果を保存する一時配列を使用しない方法でこの式を評価するため、

（特に大規模配列の場合）

NumPy

よりもはるかに効率的に実行される点です。この後説明する

pandas

の

eval()

と

query()

機能は概念的には類似しており、

Numexpr

ライブラリを使用していま

す。

3.13.2

 

pandas.eval()

による効率的実行

pandas

の

eval()

関数は文字列として与えた

DataFrame

の操作を効率的に実行します。例えば、