Numpy和Pandas性能改善的方法和技巧
问题
设计的代码能hold住小规模数据
你准备将该代码用来处理真实场景的数据
但惊喜的是你的代码崩溃了
问题: 你的电脑只有16G内存,但现在却要应付50G大小的数据。
硬件解决办法
换装备,比如64G内存的电脑
租用云服务器,64核432G内存,每小时几十元
软件解决办法
压缩你的数据
分块读取,一次只读一块。
对数据进行索引标注,只在需要的时候导入内存
本教程涉及
numpy和pandas的三种思维来处理内存占用和性能问题
压缩
分块
索引
一、 压缩
指的是同样的信息量数据,使用更少的内存。
在内存上压缩,而非在硬盘里压缩
1.1 压缩:Numpy dtype
ss
numpy类型 | 介绍 | 数值范围 |
---|---|---|
np.int8 | 字节 | (-128 to 127) |
np.int16 | 整数 | (-32768 to 32767) |
np.int32 | 整数 | (-2147483648 to 2147483647) |
np.int64 | 整数 | (-9223372036854775808 to 9223372036854775807) |
np.uint8 | 无符号整数 | (0 to 255) |
np.uint16 | 无符号整数 | (0 to 65535) |
np.uint32 | 无符号整数 | (0 to 4294967295) |
np.uint64 | 无符号整数 | (0 to 18446744073709551615) |
np.float16 | 半精度浮点数,包括:1 个符号位,5 个指数位,10 个尾数位 | |
np.float32 | 单精度浮点数,包括:1 个符号位,8 个指数位,23 个尾数位 | |
np.float64 | 双精度浮点数,包括:1 个符号位,11 个指数位,52 个尾数位 |
同样的整数,用np.int64占用的内存是np.int16的4倍
import numpy as npint64arr = np.ones((1024, 1024), dtype=np.int64)
int16arr = np.ones((1024, 1024), dtype=np.int16)#占用(内存)的字节数
print(int64arr.nbytes)
print(int16arr.nbytes)
8388608
2097152
1.2 压缩: 稀疏的数组
https://sparse.pydata.org/
数组中有大量的0
内存浪费在很多0身上
稀疏数据只存储非0数据
用numpy数组对数据进行插值
不同的表达数据的方式
sparse可以压缩数据内存占用量,看一个例子
import numpy as nparr = np.random.random((1024, 1024))
arr[arr < 0.9] = 0print(arr)
[[0. 0. 0. ... 0. 0.94559922 0. ][0. 0. 0. ... 0. 0. 0. ][0. 0. 0. ... 0. 0. 0. ]...[0.94589484 0. 0. ... 0.96746948 0. 0. ][0. 0. 0. ... 0.96236294 0. 0. ][0. 0. 0. ... 0. 0. 0. ]]
import sparse #需要安装sparse
sparse_arr = sparse.COO(arr)
print(sparse_arr)
<COO: shape=(1024, 1024), dtype=float64, nnz=104998, fill_value=0.0>
print(arr.nbytes)
print(sparse_arr.nbytes)
8388608
2519952
1.3 压缩: Pandas dtype
如果知道数据的字段,可以在pandas导入数据时就设定字段的dtype参数,减少不必要的内存开支。例如
import pandas as pd
import numpy as np#不设定dtype
df1 = pd.read_csv('data.csv')
df1
trip_id是整数,默认pandas用的是np.int64, 我们可以将其设定为np.int32
#设定dtype参数
df2 = pd.read_csv('data.csv', dtype={"trip_id": np.int32})
df2
print(df1['trip_id'].nbytes)
print(df2['trip_id'].nbytes)
40
20
我们可以看到通过指定dtype,trip_id字段占用的内存少了一半。
二、 分块
2.1 分块处理全部的数据
也可以分块处理全部的数据,最后将结果再汇总,减少电脑的内存压力。比如我们想求长度为1024的数组arr中的最大值
import numpy as np#长度1024的数组arr
arr = np.random.random(1024)arr
array([0.37143228, 0.14093017, 0.67051473, ..., 0.42278493, 0.38588344,0.11637298])
#一次性求最大
max(arr)
0.9994997367530419
#分块,汇总求最大
max(max(arr[:500]), max(arr[500:]))
0.9994997367530419
2.2 分块:Pandas也能分块
分块依次读取,这样可以对比电脑内存还大的数据进行运算操作。
import pandas as pdmax_record = 0#分块依次读取,专业
for chunk in pd.read_csv('my.csv',chunksize=100):#块的记录数为100条max_record = max(max_record,max(chunk['某个需要求最大值的字段名']))print(max_record)
598000
2.3 并行: 对很多块并行处理
如果数据块之间彼此独立
且对数据块的计算也是独立的
我们可以利用电脑多核进行并行运算
并不会降低内存占用,但是会提高运行速度
块的大小,需要满足
64G内存, 并行数为1时,处理的块数据大小不超过60G
64G内存, 并行数为4时,处理的块数据大小不超过15G
三、索引
3.1 索引:需要的时候再调用
索引是对数据的准确描述
索引对应的数据一定比内存小很多
索引能告诉程序数据的子集在哪里
3.2 索引 vs 分块
分块需要导入所有的数据, "What is the longest word in this book?"需要研究这本书的每一页。
索引只导入数据的子集, "How much money did we spend in July?",只需要在意July,其他月份不用考虑。
两者经常搭配使用
3.3 索引:Pandas不支持索引
所以需要自定义,实现索引功能
def get_subset(csvf, field, conditon):"""从csv数据中抽取出field值为condition的所有数据。csvf: csv文件的路径field: 需要的字段conditon: 字段field需要满足的条件"""return pd.concat(df[df.field==conditon] for df in pd.read_csv(csvf, chunksize=1000))
3.4 索引: SQLite&pandas
如何让sqlite数据库也能分块
import sqlitedef create_index(csvf, dbname, field):"""将csv中的数据转移至sqlite数据库,并给field创建索引dbname: sqlite数据库库名field: 需要创建索引的字段名"""db=sqlite.connect("{}.sqlite".format(dbname))for chunk in pd.read_csv(csvf, chunksize=1000):chunk.to_sql(dbname, db, if_exists='append')db.execute("CRESTE INDEX {field} ON {dbname}({field})".format(field=field, dbname=dbname, field=field))db.close()def get_subset(dbname, field, conditon):"""从dbname中抽取出field值为condition的所有数据。dbname: sqlite数据库库名field: 需要的字段condition: 字段field需要满足的条件"""conn = sqlite3.connect("{}.sqlite".format(dbname))q = ("SELECT * FROM {db} WHERE {field} = {condtion}".format(db=dbname, field=field, condition=conditon))return pd.read_sql_query(q, conn)
3.5 索引:SQLite vs csv
使用70k voters数据对比
Cambridge,MA : 70k voters
类型 | 操作 | 内存占用情况 |
---|---|---|
CSV | 分块依次读取10000行 + 按条件找出需要的数据 | 574ms |
SQLite | 索引找出需要的数据 | 10ms |
总结
同样的问题
内存快但贵
硬盘便宜但慢
解决办法:压缩、分块(有条件的并行)、索引
对了,如果不差钱,事情会好办不少。。。
公众号后台回复关键词 pandas_numpy, 可获得该数据集
往期文章
中文文本分析相关资源汇总
cnsenti中文情绪情感分析库
70G上市公司定期报告数据集
如何计算出文本数据的相似矩阵?
两行代码读取pdf、docx文件
三行代码计算文本相似性
5个小问题带你理解列表推导式
文本数据清洗之正则表达式
Python网络爬虫与文本数据分析
综述:文本分析在市场营销研究中的应用
LabelStudio多媒体数据标注工具[5星推荐]
如何批量下载上海证券交易所上市公司年报
Loughran&McDonald金融文本情感分析库
如何使用Python快速构建领域内情感词典
Python数据分析相关学习资源汇总帖
漂亮~pandas可以无缝衔接Bokeh
YelpDaset: 酒店管理类数据集10+G
看在这么多数据面子上,给我点好看可好❤
Numpy和Pandas性能改善的方法和技巧相关推荐
- CPU CACHE优化 性能优化方法和技巧
转载来源:性能优化方法和技巧 系列目录 性能优化方法和技巧 性能优化的方法和技巧:概述 性能优化的方法和技巧:代码 性能优化的方法和技巧:工具 这是一个可以用一本书来讲的话题,用一系列博客来讲,可能会 ...
- 大规模数据库的性能改善方法之一 数据分割
大规模数据库的性能改善方法之一 数据分割 http://blog.sina.com.cn/s/blog_803d9ba90100xg25.html 1.引言 随着计算机应用领域的拓展和计算机硬件性能的 ...
- python安装pandas模块-python安装numpy和pandas的方法步骤
最近要对一系列数据做同比比较,需要用到numpy和pandas来计算,不过使用python安装numpy和pandas因为linux环境没有外网遇到了很多问题就记下来了.首要条件,python版本必须 ...
- Python中的数据可视化工具与方法——常用的数据分析包numpy、pandas、statistics的理解实现和可视化工具matplotlib的使用
Python中的数据可视化工具与方法 本文主要总结了: 1.本人在初学python时对常用的数据分析包numpy.pandas.statistics的学习理解以及简单的实例实现 2.可视化工具matp ...
- python数据清洗工具、方法、过程整理归纳(一、数据清洗之常用工具——numpy,pandas)
文章目录 1 背景 2 常用工具 2.1 numpy 2.2 pandas 1 背景 数据清洗是整个数据分析过程的第一步,也是整个数据分析项目中最耗费时间的一步: 数据分析的过程决定了数据分析的准确性 ...
- python安装numpy-python安装numpy和pandas的方法步骤
最近要对一系列数据做同比比较,需要用到numpy和pandas来计算,不过使用python安装numpy和pandas因为linux环境没有外网遇到了很多问题就记下来了.首要条件,python版本必须 ...
- [Python从零到壹] 十一.数据分析之Numpy、Pandas、Matplotlib和Sklearn入门知识万字详解(1)
欢迎大家来到"Python从零到壹",在这里我将分享约200篇Python系列文章,带大家一起去学习和玩耍,看看Python这个有趣的世界.所有文章都将结合案例.代码和作者的经验讲 ...
- NumPy 和 Pandas 数据分析实用指南:1~6 全
原文:Hands-On Data Analysis with NumPy and pandas 协议:CC BY-NC-SA 4.0 译者:飞龙 一.配置 Python 数据分析环境 在本章中,我们将 ...
- 数据基础---numpy、pandas使用教程
数组对象 Numpy库 Numpy最重要的一个特点是就是其N维数组对象,即ndarray,ndarray是一个通用的同构数据多维容器,其中的所有元素必须是相同类型的.每个数组都有一个shape(一个表 ...
最新文章
- oracle 截取字符串和查找字符
- WEB文件管理器2.0版
- [PAL编程规范]SAP HANA PAL多项式回归预测分析Polynomial Regression编程规范FORECASTWITHPOLYNOMIALR(预测)...
- 十五、JavaScript进度条的制作
- 瀑布流方式三(方式二的升级版)
- 多学一点(五)——在Linux下安装配置Apache
- bzoj4415 [Shoi2013]发牌 线段树
- js阻止鼠标右击_使用JS 禁止键盘快捷方式和禁止鼠标右键操作弹窗提示
- ENVI入门系列教程---一、数据预处理---1.2基本操作--5.x以后的界面(旧界面)
- Hyper-V使用手记(一):无法引导安装FreeBSD7
- 颜色rgba、16进制、10进制互相装换
- PHP获取当前域名的记录
- 面试反问环节应该问什么?
- Python爬取网易云音乐热评(附源码)
- 我个人关于2019年双十一平台的使用
- 一个完整的Django入门指南 - 第1部分
- 止疼药-盐酸羟考酮缓释片//2021-2-20
- AE正确释放打开资源
- uniapp微信浏览器H5授权微信登录
- 计算机系统动态库修复,一键修复!动态库文件 mfc100u.dll 修复使用说明