我有一个由两个不同对象组成的CSV文件的大数据集:object_a
和object_b
。这些实体中的每个实体都有一个数字tick
值。
Type, Parent Name, Ticks
object_a, 4556421, 34
object_a, 4556421, 0
object_b, 4556421, 0
object_a, 3217863, 2
object_b, 3217863, 1
......
每个对象共享一个Parent Name
值,因此在大多数情况下,每个对象中的一个对象都会共享Parent Name
值,但并非总是如此。
我有两个目标:
- 在父母名称下提取所有object_a,其中i)有> 1个object_a和;ii)object_a具有0个滴答,但另一个对象_a的tick> 0滴答。即只有零滴答的那个
- 在父母名称下提取所有对象_b,其中i)> = 1 object_a and;ii)object_b有0个滴答
我的第一种方法是为这两个任务具有两个单独的功能,在块中读取CSV文件(通常大小为1.5GB),然后根据父名称对其进行分组后,将提取的行输出到另一个CSV文件中...
def objective_one(group_name, group_df):
group_df = group_df[group_df['Type'] == 'object_a']
if len(group_df) > 1:
zero_tick_object_a = group_df[group_df['Ticks'] == 0]
if len(zero_click_object_a) < len(group_df):
return zero_click_object_a
else:
return pd.DataFrame(columns=group_df.columns)
else:
return pd.DataFrame(columns=group_df.columns)
def objective_two(group_name, group_df):
object_a_in_group_df = group_df[group_df['Type'] == 'object_a']
object_b_has_no_clicks_in_group_df = group_df[(group_df['Type'] == 'object_b') & (group_df['Ticks'] == 0)]
if len(object_a_in_group_df) >= 1 and len(object_b_has_no_ticks_in_group_df) >= 1:
has_ticks_objects = objects_in_group_df[object_a_in_group_df['Ticks'] >= 1]
if len(has_ticks_object_a) > 0:
return object_B_has_no_ticks_in_group_df
else:
return pd.DataFrame(columns=group_df.columns)
else:
return pd.DataFrame(columns=group_df.columns)
这是主要方法中对这些功能的调用:
for chunk in pd.read_csv(file, chunksize=500000):
#objective one
chunk_object_a = chunk.groupby(['Parent Name']).apply(lambda g: objective_one(g.name, g))
....
....
#objective two
chunk_object_b = chunk.groupby(['Parent Name']).apply(lambda g: objective_two(g.name, g))
#然后将应用方法输出的数据框架写入CSV文件
这种方法的问题是,尽管它确实为我提供了想要的输出,但在1GB及以上范围内的大文件中它的速度非常慢。另一个问题是,从CSV中读取它可能有效地将某些组切成两半(即,可以在一个块上拆分父母名称,而下一组可以使提取的对象数量不准确)
有什么方法可以优化它以使其更快,还可以解决我的块问题?
我对问题的拍摄:
- 在父母名称下提取所有object_a,其中i)有> 1个object_a和;ii)object_a有0个滴答,但另一个object_a 有> 0滴答。即只有零滴答的那个
- 在父母名称下提取所有对象_b,其中i)> = 1 object_a and;ii)object_b有0个滴答,但object_a具有> 0 tick
阅读本文时,我的第一印象是实际的"类型"并不重要,我们只希望每个组的> 0 tick> 0的现有object_a
,并以0个滴答的速度提取所有元素,无论其类型如何。
考虑到这一点,我的方法是第一个创建一个新列来计算任何父母的 object_a
tick数量。如果此数字为> 0,则意味着至少存在1 object_a
,tick> 0。
In [63]: df.groupby(['Parent Name']).apply(lambda x: x[x['Type'] == 'object_a']['Ticks'].sum())
Out[63]:
Parent Name
3217863 2
4556421 34
dtype: int64
现在将其合并到原始数据框架中...
In [64]: sumATicks = df.groupby(['Parent Name']).apply(lambda x: x[x['Type'] == 'object_a']['Ticks'].sum())
In [65]: merged = df.merge(pd.DataFrame(sumATicks).rename(columns={0: 'nbATicks'}), left_on='Parent Name', right_index=True)
In [66]: merged
Out[66]:
Type Parent Name Ticks nbATicks
0 object_a 4556421 34 34
1 object_a 4556421 0 34
2 object_b 4556421 0 34
3 object_a 3217863 2 2
4 object_b 3217863 1 2
...并根据我上面说的标准提取所有有趣的行:
In [67]: merged[(merged['nbATicks'] > 0) & (merged['Ticks'] == 0)]
Out[67]:
Type Parent Name Ticks nbATicks
1 object_a 4556421 0 34
2 object_b 4556421 0 34
希望我不会忘记任何边缘案...
关于块问题,为什么不只是将整个CSV文件加载到内存中?如果是 big,您可以在处理前尝试按额外名称进行排序,并在相关位置分开块。
这是我对问题的想法:
我认为第一个目标很容易,因为我们仅依赖于object_a行。我们可以使用转换将条件转换为布尔列表:
df_1 = df.loc[df['Type']=='object_a']
object_a = df_1.loc[(df_1.groupby('Parent_Name')['Ticks'].transform(min)==0)&
(df_1.groupby('Parent_Name')['Ticks'].transform(max)>0)&
(a['Ticks']==0)
]
Out[1]:
Type Parent_Name Ticks
1 object_a 4556421 0
对于第二个目标,我创建了满足object_a要求的parent_names列表。在下一步中,isin仅选择相应的行。
a_condition = df.loc[df['Type']=='object_a'].groupby('Parent_Name').sum()
a_condition = a_condition[a_condition>0].index
object_b = df.loc[(df['Type']=='object_b')&
(df['Ticks']==0)&
(df['Parent_Name'].isin(a_condition))
]
Out[2]:
Type Parent_Name Ticks
2 object_b 4556421 0
In [35]: df
Out[32]:
Type Parent Name Ticks
0 object_a 4556421 34
1 object_a 4556421 0
2 object_b 4556421 0
3 object_a 3217863 2
4 object_b 3217863 1
将数据汇总到tuple
S
In [33]: df1 = df.groupby(['Parent Name',
'Type']).agg(lambda x: tuple(x)).unstack(1)
In [34]: df1
Out[34]:
Ticks
Type object_a object_b
Parent Name
3217863 (2,) (1,)
4556421 (34, 0) (0,)
为您的案件#1
构建布尔面膜In [35]: mask1 = df1.apply(lambda x: (len(x[0])>1) & ((x[0]).count(0)==1),
axis=1)
In [36]: mask1
Out[36]:
Parent Name
3217863 False
4556421 True
dtype: bool
为您的案例#2
构建布尔掩码In [37]: mask2 = df1.apply(lambda x: ((len(x[0])>=1) &
(len(set(x[0]).difference([0]))>0) &
(len(x[1])==1) &
(x[1][0]==0)),
axis=1)
In [38]: mask2
Out[38]:
Parent Name
3217863 False
4556421 True
dtype: bool
获取案例#1
的结果In [39]: df1.loc[mask1, [('Ticks', 'object_a')]]
Out[39]:
Ticks
Type object_a
Parent Name
4556421 (34, 0)
获取案例#2
的结果In [30]: df1.loc[mask2, [('Ticks', 'object_b')]]
Out[30]:
Ticks
Type object_b
Parent Name
4556421 (0,)