代码之家 › 专栏 › 技术社区 › Shuvayan Das

python中基于变量类型的数据处理子集

pandas list python

Shuvayan Das · 技术社区 · 6 年前

我在csv(df_sample.csv)中存储了以下数据。我有一个名为cols_list的列表中的列名。

数据样本:

df_data_sample = pd.DataFrame({
                    'new_video':['BASE','SHIVER','PREFER','BASE+','BASE+','EVAL','EVAL','PREFER','ECON','EVAL'],
                    'ord_m1':[0,1,1,0,0,0,1,0,1,0],
                    'rev_m1':[0,0,25.26,0,0,9.91,'NA',0,0,0],
                    'equip_m1':[0,0,0,'NA',24.9,20,76.71,57.21,0,12.86],
                    'oev_m1':[3.75,8.81,9.95,9.8,0,0,'NA',10,56.79,30],
                    'irev_m1':['NA',19.95,0,0,4.95,0,0,29.95,'NA',13.95]
                    })

attribute_dict = {
        'new_video': 'CAT',
        'ord_m1':'NUM',
        'rev_m1':'NUM',
        'equip_m1':'NUM',
        'oev_m1':'NUM',
        'irev_m1':'NUM'
        }

然后我读了每一列,并做了如下数据处理:

cols_list = df_data_sample.columns
# Write to csv.
df_data_sample.to_csv("df_seg_sample.csv",index = False)
#df_data_sample = pd.read_csv("df_seg_sample.csv")
#Create empty dataframe to hold final processed data for each income level.
df_final = pd.DataFrame()
# Read in each column, process, and write to a csv - using csv module
for column in cols_list:
    df_column = pd.read_csv('df_seg_sample.csv', usecols = [column],delimiter = ',')
    if (((attribute_dict[column] == 'CAT') & (df_column[column].unique().size <= 100))==True):
        df_target_attribute = pd.get_dummies(df_column[column], dummy_na=True,prefix=column)
        # Check and remove duplicate columns if any:
        df_target_attribute = df_target_attribute.loc[:,~df_target_attribute.columns.duplicated()]

        for target_column in list(df_target_attribute.columns):
            # If variance of the dummy created is zero : append it to a list and print to log file.
            if ((np.var(df_target_attribute[[target_column]])[0] != 0)==True):
                df_final[target_column] = df_target_attribute[[target_column]]


    elif (attribute_dict[column] == 'NUM'):
        #Let's impute with 0 for numeric variables:
        df_target_attribute = df_column
        df_target_attribute.fillna(value=0,inplace=True)
        df_final[column] = df_target_attribute

属性“dict”是一个字典,包含变量名:变量类型的映射为:

{
'new_video': 'CAT'
'ord_m1':'NUM'
'rev_m1':'NUM'
'equip_m1':'NUM'
'oev_m1':'NUM'
'irev_m1':'NUM'
}

但是,此逐列操作在**(500万行*3400列)**大小的数据集上运行需要很长时间。目前运行时间约为 12小时以上。我想尽可能地减少这一点,我能想到的方法之一是一次处理所有num列,然后逐列执行。对于CAT变量。然而,我既不确定python中的代码是否能实现这一点,也不确定这是否会真正加快进程。有人能帮我吗?

2 回复 | 直到 6 年前

jezrael 6 年前

对于数字列,它很简单:

num_cols = [k for k, v in attribute_dict.items() if v == 'NUM']
print (num_cols)
['ord_m1', 'rev_m1', 'equip_m1', 'oev_m1', 'irev_m1']

df1 = pd.read_csv('df_seg_sample.csv', usecols = [num_cols]).fillna(0)

但是第一部分代码是性能问题,特别是在 get_dummies 要求 5 million rows :

df_target_attribute = pd.get_dummies(df_column[column], dummy_na=True, prefix=column)

不幸的是有问题的过程 获取虚拟对象 成堆的。

P.Tillmann Zhongxia Yan 6 年前

有三件事我建议你加快计算速度:

看看熊猫 HDF5 能力。hdf是一个二进制文件用于快速读写数据到磁盘的格式。
我会一次读取csv文件的大块(几列)(取决于你的记忆力有多大)。
您可以一次对每个列应用许多熊猫操作。例如nunique()(为您提供唯一值的数目,因此不需要unique().size)。通过这些列操作,您可以通过使用二进制向量进行选择来轻松筛选列。例如。

df = df.loc[:, df.nunique() > 100] 
#filter out every column where less then 100 unique values are present

还有这个 answer 来自《大熊猫》的作者,关于大数据的工作流程可能对您很有意思。