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

216

3

章 

pandas

を使ったデータ操作

In[28]: df.values.nbytes

Out[28]: 32000

計算時間について考えると、システムメモリを最大限に活用していない場合でも、

eval()

の方

が高速になります。考慮すべき点は、一時的な

DataFrame

のサイズとシステム上の

L1

または

L2

CPU

キャッシュサイズ（

2016

年の時点では、通常数メガバイト）との比較です。もしも

DataFrame

の方がずっと大きいのであれば、異なるメモリキャッシュの間で値を移動することにより動作が遅

くなるのを、

eval()

で防ぐことが可能です。実際には、従来の方法と

eval

/

query

を使った方法と

の比較で、計算時間の差はあまり重要ではないことがわかっています。それどころか小さな配列に

対しては、従来の方法の方が高速です。

eval

/

query

が優れているのは、主にメモリの使用量が少

ない点、そして場合により洗練された構文が利用できる点です。

こ

こでは、

eval()

と

query()

の詳細について説明しました。より詳しい内容については、

pandas

のドキュメントを参照してください。デフォルトとは異なるパーサーや実行エンジンを指定し

て

eval()

や

query()

を実行することもできます。その詳細については、

pandas

ドキュメントの

「

Enhancing Performance

」（パフォーマンスの向上）セクション（

http://pandas.pydata.org/pandas-

docs/dev/enhancingper ...