用Python Pandas处理亿级数据
在数据分析领域,最热门的莫过于Python和R语言,此前有一篇文章《别老扯什么Hadoop了,你的数据根本不够大》指出:只有在超过5TB数据量的规模下,Hadoop才是一个合理的技术选择。这次拿到近亿条日志数据,千万级数据已经是关系型数据库的查询分析瓶颈,之前使用过Hadoop对大量文本进行分类,这次决定采用Python来处理数据:
- 硬件环境
- CPU:3.5 GHz Intel Core i7
- 内存:32 GB HDDR 3 1600 MHz
- 硬盘:3 TB Fusion Drive
- 数据分析工具
- Python:2.7.6
- Pandas:0.15.0
- IPython notebook:2.0.0
源数据如下表所示:
Table | Size | Desc | |
---|---|---|---|
ServiceLogs | 98,706,832 rows x 14 columns | 8.77 GB | 交易日志数据,每个交易会话可以有多条交易 |
ServiceCodes | 286 rows × 8 columns | 20 KB | 交易分类的字典表 |
数据读取
启动IPython notebook,加载pylab环境:
1
|
ipython notebook --pylab=inline
|
Pandas提供了IO工具可以将大文件分块读取,测试了一下性能,完整加载9800万条数据也只需要263秒左右,还是相当不错了。
1
2
3
4
5
6
|
import pandas as pd
reader = pd.read_csv('data/servicelogs', iterator=True)
try:
df = reader.get_chunk(100000000)
except StopIteration:
print "Iteration is stopped."
|
1百万条 | 1千万条 | 1亿条 | |
---|---|---|---|
ServiceLogs | 1 s | 17 s | 263 s |
使用不同分块大小来读取再调用 pandas.concat 连接DataFrame,chunkSize设置在1000万条左右速度优化比较明显。
1
2
3
4
5
6
7
8
9
10
11
|
loop = True
chunkSize = 100000
chunks = []
while loop:
try:
chunk = reader.get_chunk(chunkSize)
chunks.append(chunk)
except StopIteration:
loop = False
print "Iteration is stopped."
df = pd.concat(chunks, ignore_index=True)
|
下面是统计数据,Read Time是数据读取时间,Total Time是读取和Pandas进行concat操作的时间,根据数据总量来看,对5~50个DataFrame对象进行合并,性能表现比较好。
Chunk Size | Read Time (s) | Total Time (s) | Performance |
---|---|---|---|
100,000 | 224.418173 | 261.358521 | |
200,000 | 232.076794 | 256.674154 | |
1,000,000 | 213.128481 | 234.934142 | √ √ |
2,000,000 | 208.410618 | 230.006299 | √ √ √ |
5,000,000 | 209.460829 | 230.939319 | √ √ √ |
10,000,000 | 207.082081 | 228.135672 | √ √ √ √ |
20,000,000 | 209.628596 | 230.775713 | √ √ √ |
50,000,000 | 222.910643 | 242.405967 | |
100,000,000 | 263.574246 | 263.574246 |
如果使用Spark提供的Python Shell,同样编写Pandas加载数据,时间会短25秒左右,看来Spark对Python的内存使用都有优化。
数据清洗
Pandas提供了 DataFrame.describe 方法查看数据摘要,包括数据查看(默认共输出首尾60行数据)和行列统计。由于源数据通常包含一些空值甚至空列,会影响数据分析的时间和效率,在预览了数据摘要后,需要对这些无效数据进行处理。
首先调用 DataFrame.isnull() 方法查看数据表中哪些为空值,与它相反的方法是 DataFrame.notnull() ,Pandas会将表中所有数据进行null计算,以True/False作为结果进行填充,如下图所示:
Pandas的非空计算速度很快,9800万数据也只需要28.7秒。得到初步信息之后,可以对表中空列进行移除操作。尝试了按列名依次计算获取非空列,和 DataFrame.dropna() 两种方式,时间分别为367.0秒和345.3秒,但检查时发现 dropna() 之后所有的行都没有了,查了Pandas手册,原来不加参数的情况下, dropna() 会移除所有包含空值的行。如果只想移除全部为空值的列,需要加上 axis 和 how 两个参数:
1
|
df.dropna(axis=1, how='all')
|
共移除了14列中的6列,时间也只消耗了85.9秒。
接下来是处理剩余行中的空值,经过测试,在 DataFrame.replace() 中使用空字符串,要比默认的空值NaN节省一些空间;但对整个CSV文件来说,空列只是多存了一个“,”,所以移除的9800万 x 6列也只省下了200M的空间。进一步的数据清洗还是在移除无用数据和合并上。
对数据列的丢弃,除无效值和需求规定之外,一些表自身的冗余列也需要在这个环节清理,比如说表中的流水号是某两个字段拼接、类型描述等,通过对这些数据的丢弃,新的数据文件大小为4.73GB,足足减少了4.04G!
数据处理
使用 DataFrame.dtypes 可以查看每列的数据类型,Pandas默认可以读出int和float64,其它的都处理为object,需要转换格式的一般为日期时间。DataFrame.astype() 方法可对整个DataFrame或某一列进行数据格式转换,支持Python和NumPy的数据类型。
1
|
df['Name'] = df['Name'].astype(np.datetime64)
|
对数据聚合,我测试了 DataFrame.groupby 和 DataFrame.pivot_table 以及 pandas.merge ,groupby 9800万行 x 3列的时间为99秒,连接表为26秒,生成透视表的速度更快,仅需5秒。
1
2
3
|
df.groupby(['NO','TIME','SVID']).count() # 分组
fullData = pd.merge(df, trancodeData)[['NO','SVID','TIME','CLASS','TYPE']] # 连接
actions = fullData.pivot_table('SVID', columns='TYPE', aggfunc='count') # 透视表
|
根据透视表生成的交易/查询比例饼图:
将日志时间加入透视表并输出每天的交易/查询比例图:
1
2
|
total_actions = fullData.pivot_table('SVID', index='TIME', columns='TYPE', aggfunc='count')
total_actions.plot(subplots=False, figsize=(18,6), kind='area')
|
除此之外,Pandas提供的DataFrame查询统计功能速度表现也非常优秀,7秒以内就可以查询生成所有类型为交易的数据子表:
1
|
tranData = fullData[fullData['Type'] == 'Transaction']
|
该子表的大小为 [10250666 rows x 5 columns]。在此已经完成了数据处理的一些基本场景。实验结果足以说明,在非“>5TB”数据的情况下,Python的表现已经能让擅长使用统计分析语言的数据分析师游刃有余。
by 陈加兴@rcfans_
from: http://python.jobbole.com/84118/
用Python Pandas处理亿级数据相关推荐
- python能处理多大的数据-使用Python Pandas处理亿级数据
在数据分析领域,最热门的莫过于Python和R语言,此前有一篇文章<别老扯什么Hadoop了,你的数据根本不够大>指出:只有在超过5TB数据量的规模下,Hadoop才是一个合理的技术选择. ...
- 使用Python Pandas处理亿级数据
http://www.justinablog.com/archives/1357 http://blog.csdn.net/accumulate_zhang/article/details/65920 ...
- 【python 处理亿级数据】使用 Pandas 处理亿级数据
此前有一篇文章<别老扯什么Hadoop了,你的数据根本不够大>指出:只有在超过5TB数据量的规模下,Hadoop才是一个合理的技术选择.事实确实如此,在数据分析领域,那么如何处理亿级数据呢 ...
- excel统计行数_百万到亿级数据,快速统计查询
大家好,我是dk.这是Excel神器PowerQuery实战入门系列的第3篇.往后,我会更新更多关于PQ的相关内容,有兴趣的小伙伴可以关注下. 众所周知,Excel2003版最大行数是65536行,到 ...
- [译] 使用 python 分析 14 亿条数据
原文地址:Analysing 1.4 billion rows with python 原文作者:Steve Stagg 译文出自:掘金翻译计划 本文永久链接:github.com/xitu/gold ...
- Mysql数据库快速插入亿级数据
Mysql数据库快速插入亿级数据 接手一个项目,该项目运行了两三年了.接手的时候,只有一个部署文档和全部代码,再没有其他文档了,也没有其他任何人了解这个项目.好吧,试着深入了解吧.代码在测试环境跑来了 ...
- 亿级数据,秒级响应!看Smartbi如何助力经济普查,把脉时代经济!
距离第一次经济普查工作已经整整 15 年,该项工作是我国经济发展进入 21 世纪进行的一项对重大国情国力的全面调查,是党中央国务院为正确认识国情,准确把握国力,科学制定国策而采取的一项重要举措. 然而 ...
- 阿里二面:千万级、亿级数据,如何性能优化? 教科书级 答案来了
说在前面 在尼恩指导了几百个小伙伴的面试,在这些过程中, 非常.非常高频的一个面试题: 千万级数据,如何做性能优化? 亿级数据,如何做性能优化? 最近,有个小伙伴阿里二面,又遇到了这个问题. 其实,尼 ...
- python 抓取微博评论破亿_如果利用Python分析14亿条数据!资深程序员手把手教你!过亿级!...
挑战 1-gram 的数据集在硬盘上可以展开成为 27 Gb 的数据,这在读入 python 时是一个很大的数据量级.Python可以轻易地一次性地处理千兆的数据,但是当数据是损坏的和已加工的,速度就 ...
最新文章
- 资料分享:推荐一本《简单粗暴TensorFlow 2.0》开源电子书!
- 干货丨综述卷积神经网络:从基础技术到研究前景
- 科技论文中的分析与综合-如何写好科技论文之我见(七)
- Linux隐藏文件标识
- cmos全局曝光算法_2019腾讯广告算法大赛方案分享(冠军)
- 学习:多项式算法----FFT
- ubuntu系统下安装docker并部署Springboot+mysql+redis
- 在艰苦年代,买不起万用表,怎么测量电路电压?
- 开源中国iOS客户端学习——(八)网络通信AFNetworking类库
- 【Python】2.x与3​​.x版本的选用版本间的区别
- Java盲点:双重检查锁定及单例模式
- Java中foreach 的用法以及注意事项
- mysql身份证校验码_通过SQL校验身份证号码是否正确
- Tornado使用模板
- 多元高斯分布(三)——高斯过程
- 取消u盘写保护 u盘量产教程(无数尝试后的终极解决办法)
- 环形回路算法(python3)
- 一、学习Lua 教程
- 9个非常有意思的HTML5动画推荐
- Google Earth Engine——MERRA-2 M2T1NXAER:1980-2022年气溶胶逐日数据集
热门文章
- 聚焦数字货币的发展与监管
- 理解GBDT算法(三)——基于梯度的版本
- 布道微服务_06微服务调用的监控
- 小工匠聊架构-写给研发工程师的全链路压测
- 使用android studio查看内存,Android Studio Profiler使用心得 检测内存泄露问题
- oracle日期相减工作日_Oracle 计算两个日期间隔的天数、月数和年数
- python 串口_Python串口操作库pyserial(1)
- 反引号注入_什么是 SQL 注入?
- 微信小程序中input和picker之间切换导致input无法失去焦点
- 非root用户加入docker用户组省去sudo