refer ： https://yq.aliyun.com/articles/530060?spm=a2c4e.11153940.blogcont181452.16.413f2ef21NKngz#
http://www.datayuan.cn/article/6737.htm
-
大文本數(shù)據(jù)的讀寫
有時(shí)候我們會(huì)拿到一些很大的文本文件，完整讀入內(nèi)存，讀入的過程會(huì)很慢，甚至可能無法讀入內(nèi)存，或者可以讀入內(nèi)存，但是沒法進(jìn)行進(jìn)一步的計(jì)算，這個(gè)時(shí)候如果我們不是要進(jìn)行很復(fù)雜的運(yùn)算，可以使用read_csv提供的chunksize或者iterator參數(shù)，來部分讀入文件，處理完之后再通過to_csv的mode='a'，將每部分結(jié)果逐步寫入文件。
to_csv, to_excel的選擇
在輸出結(jié)果時(shí)統(tǒng)稱會(huì)遇到輸出格式的選擇，平時(shí)大家用的最多的.csv, .xls, .xlsx，后兩者一個(gè)是excel2003，一個(gè)是excel2007，我的經(jīng)驗(yàn)是csv>xls>xlsx，大文件輸出csv比輸出excel要快的多，xls只支持60000+條記錄，xlsx雖然支持記錄變多了，但是，如果內(nèi)容有中文常常會(huì)出現(xiàn)詭異的內(nèi)容丟失。因此，如果數(shù)量較小可以選擇xls，而數(shù)量較大則建議輸出到csv，xlsx還是有數(shù)量限制，而且 大數(shù)據(jù) 量的話，會(huì)讓你覺得python都死掉了
讀入時(shí)處理日期列
我之前都是在數(shù)據(jù)讀入后通過to_datetime函數(shù)再去處理日期列，如果數(shù)據(jù)量較大這又是一個(gè)浪費(fèi)時(shí)間的過程，其實(shí)在讀入數(shù)據(jù)時(shí)，可以通過parse_dates參數(shù)來直接指定解析為日期的列。它有幾種參數(shù)，TRUE的時(shí)候會(huì)將index解析為日期格式，將列名作為list傳入則將每一個(gè)列都解析為日期格式
關(guān)于to_datetime函數(shù)再多說幾句，我們拿到的時(shí)期格式常常出現(xiàn)一些亂七八糟的怪?jǐn)?shù)據(jù)，遇到這些數(shù)據(jù)to_datimetime函數(shù)默認(rèn)會(huì)報(bào)錯(cuò)，其實(shí)，這些數(shù)據(jù)是可以忽略的，只需要在函數(shù)中將errors參數(shù)設(shè)置為'ignore'就可以了。
另外，to_datetime就像函數(shù)名字顯示的，返回的是一個(gè)時(shí)間戳，有時(shí)我們只需要日期部分，我們可以在日期列上做這個(gè)修改，datetime_col = datetime_col.apply(lambda x: x.date())，用map函數(shù)也是一樣的datetime_col = datetime_col.map(lambda x: x.date())
把一些數(shù)值編碼轉(zhuǎn)化為文字
前面提到了map方法，我就又想到了一個(gè)小技巧，我們拿到的一些數(shù)據(jù)往往是通過數(shù)字編碼的，比如我們有g(shù)ender這一列，其中0代表男，1代表女。當(dāng)然我們可以用索引的方式來完成
其實(shí)我們有更簡(jiǎn)單的方法，對(duì)要修改的列傳入一個(gè)dict，就會(huì)達(dá)到同樣的效果。
通過shift函數(shù)求用戶的相鄰兩次登錄記錄的時(shí)間差
之前有個(gè)項(xiàng)目需要計(jì)算用戶相鄰兩次登錄記錄的時(shí)間差，咋看起來其實(shí)這個(gè)需求很簡(jiǎn)單，但是數(shù)據(jù)量大起來的話，就不是一個(gè)簡(jiǎn)單的任務(wù)，拆解開來做的話，需要兩個(gè)步驟，第一步將登錄數(shù)據(jù)按照用戶分組，再計(jì)算每個(gè)用戶兩次登錄之間的時(shí)間間隔。數(shù)據(jù)的格式很單純，如下所示
如果數(shù)據(jù)量不大的，可以先unique uid，再每次計(jì)算一個(gè)用戶的兩次登錄間隔，類似這樣
這種方法雖然計(jì)算邏輯比較清晰易懂，但是缺點(diǎn)也非常明顯，計(jì)算量巨大，相當(dāng)與有多少量記錄就要計(jì)算多少次。
那么為什么說pandas的shift函數(shù)適合這個(gè)計(jì)算呢?來看一下shift函數(shù)的作用
剛好把值向下錯(cuò)位了一位，是不是恰好是我們需要的。讓我們用shift函數(shù)來改造一下上面的代碼。
上面的代碼就把pandas向量化計(jì)算的優(yōu)勢(shì)發(fā)揮出來了，規(guī)避掉了計(jì)算過程中最耗費(fèi)時(shí)間的按uid循環(huán)。如果我們的uid都是一個(gè)只要排序后用shift(1)就可以取到所有前一次登錄的時(shí)間，不過真實(shí)的登錄數(shù)據(jù)中有很多的不用的uid，因此再將uid也shift一下命名為uid0，保留uid和uid0匹配的記錄就可以了。
【方向】 2018-03-12 11:11:49 瀏覽2650 評(píng)論0
python
大數(shù)據(jù)
摘要： 本文是針對(duì)Python設(shè)計(jì)一種并行處理數(shù)據(jù)的解決方案——使用Dask和Numba并行化加速運(yùn)算速度。案例對(duì)比分析了幾種不同方法的運(yùn)算速度，非常直觀，可供參考。
如果你善于使用Pandas變換數(shù)據(jù)、創(chuàng)建特征以及清洗數(shù)據(jù)等，那么你就能夠輕松地使用Dask和Numba并行加速你的工作。單純從速度上比較，Dask完勝Python，而Numba打敗Dask，那么Numba+Dask基本上算是無敵的存在。將數(shù)值計(jì)算分成Numba sub-function和使用Dask map_partition+apply，而不是使用Pandas。對(duì)于100萬行數(shù)據(jù)，使用Pandas方法和混合數(shù)值計(jì)算創(chuàng)建新特征的速度比使用Numba+Dask方法的速度要慢許多倍。
Python：60.9x | Dask：8.4x | Numba：5.8x |Numba+Dask：1x
8be99f10ed908533e525b81fcd04bcdf3b27db2d
作為舊金山大學(xué)的一名數(shù)據(jù)科學(xué)碩士，會(huì)經(jīng)常跟數(shù)據(jù)打交道。使用Apply函數(shù)是我用來創(chuàng)建新特征或清理數(shù)據(jù)的眾多技巧之一?，F(xiàn)在，我只是一名數(shù)據(jù)科學(xué)家，而不是計(jì)算機(jī)科學(xué)方面的專家，但我是一個(gè)喜歡搗鼓并使得代碼運(yùn)行更快的程序員?，F(xiàn)在，我將會(huì)分享我在并行應(yīng)用上的經(jīng)驗(yàn)。
大多Python愛好者可能了解Python實(shí)現(xiàn)的全局解釋器鎖（GIL），GIL會(huì)占用計(jì)算機(jī)中所有的CPU性能。更糟糕的是，我們主要的數(shù)據(jù)處理包，比如Pandas，很少能實(shí)現(xiàn)并行處理代碼。
Apply函數(shù)vs Multiprocessing.map
Tidyverse已經(jīng)為處理數(shù)據(jù)做了一些美好的事情，Plyr是我最喜愛的數(shù)據(jù)包之一，它允許R語言使用者輕松地并行化他們的數(shù)據(jù)應(yīng)用。Hadley Wickham說過：
“plyr是一套處理一組問題的工具：需要把一個(gè)大的數(shù)據(jù)結(jié)構(gòu)分解成一些均勻的數(shù)據(jù)塊，之后對(duì)每一數(shù)據(jù)塊應(yīng)用一個(gè)函數(shù)，最后將所有結(jié)果組合在一起?！?/p>
對(duì)于Python而言，我希望有類似于plyr這樣的數(shù)據(jù)包可供使用。然而，目前這樣的數(shù)據(jù)包還不存在，但我可以使用并行數(shù)據(jù)包構(gòu)成一個(gè)簡(jiǎn)單的解決方案。
Dask
bbcc3ca9a96dc7ad7129d9047a2d58be57a4ed84
之前在Spark上花費(fèi)了一些時(shí)間，因此當(dāng)我開始使用Dask時(shí)，還是比較容易地掌握其重點(diǎn)內(nèi)容。Dask被設(shè)計(jì)成能夠在多核CPU上并行處理任務(wù)，此外也借鑒了許多Pandas的語法規(guī)則。
現(xiàn)在開始本文所舉例子。對(duì)于最近的數(shù)據(jù)挑戰(zhàn)而言，我試圖獲取一個(gè)外部數(shù)據(jù)源（包含許多地理編碼點(diǎn)），并將其與要分析的一大堆街區(qū)相匹配。在計(jì)算歐幾里得距離的同時(shí)，使用大啟發(fā)式將大值分配給一個(gè)街區(qū)。
8809febd555c55a69522a58770971c8cf0c57af5
最初的apply：
Dask apply:
二者看起來很相似，apply核心語句是map_partitions，最后有一個(gè)compute()語句。此外，不得不對(duì)npartitions初始化。 分區(qū)的工作原理就是將Pandas數(shù)據(jù)幀劃分成塊，對(duì)于我的電腦而言，配置是6核-12線程，我只需告訴它使用的是12分區(qū)，Dask就會(huì)完成剩下的工作。
接下來，將map_partitions的lambda函數(shù)應(yīng)用于每個(gè)分區(qū)。由于許多數(shù)據(jù)處理代碼都是獨(dú)立地運(yùn)行，所以不必過多地?fù)?dān)心這些操作的順序問題。最后，compute()函數(shù)告訴Dask來處理剩余的事情，并把最終計(jì)算結(jié)果反饋給我。在這里，compute()調(diào)用Dask將apply適用于每個(gè)分區(qū)，并使其并行處理。
由于我通過迭代行來生成一個(gè)新隊(duì)列（特征），而Dask apply只在列上起作用，因此我沒有使用Dask apply，以下是Dask程序：
Numba、Numpy和Broadcasting
由于我是根據(jù)一些簡(jiǎn)單的線性運(yùn)算（基本上是勾股定理）對(duì)數(shù)據(jù)進(jìn)行分類，所以認(rèn)為使用類似下面的Python代碼會(huì)運(yùn)行得更快一些。
d31908d0ecfefd263b3e5373461b34374de9adf5
Broadcasting用以描述Numpy中對(duì)兩個(gè)形狀不同的矩陣進(jìn)行數(shù)學(xué)計(jì)算的處理機(jī)制。假設(shè)我有一個(gè)數(shù)組，我會(huì)通過迭代并逐個(gè)變換每個(gè)單元格來改變它
相反，我完全可以跳過for循環(huán)，并對(duì)整個(gè)數(shù)組執(zhí)行操作。Numpy與broadcasting混合使用，用來執(zhí)行元素智能乘積（對(duì)位相乘）。
Broadcasting可以實(shí)現(xiàn)更多的功能，現(xiàn)在看看骨架代碼：
從本質(zhì)上講，代碼的功能是改變數(shù)組。好的一方面是運(yùn)行很快，甚至能和Dask并行處理速度比較。其次，如果使用的是最基本的Numpy和Python，那么就可以及時(shí)編譯任何函數(shù)。壞的一面在于它只適合Numpy和簡(jiǎn)單Python語法。我不得不把所有的數(shù)值計(jì)算從我的函數(shù)轉(zhuǎn)換成子函數(shù)，但其計(jì)算速度會(huì)增加得非?？臁?/p>
將其一起使用
簡(jiǎn)單地使用map_partition()就可以將Numba函數(shù)與Dask結(jié)合在一起，如果并行操作和broadcasting能夠密切合作以加快運(yùn)行速度，那么對(duì)于大數(shù)據(jù)集而言，將會(huì)看到其運(yùn)行速度得到大幅提升。
09e60c6e34586f4760449a2159928877d49958cf
d9d0d60dc749ba864cbb200bb05b60e71ff6adcf
上面的第一張圖表明，沒有broadcasting的線性計(jì)算其表現(xiàn)不佳，并行處理和Dask對(duì)速度提升也有效果。此外，可以明顯地發(fā)現(xiàn)，Dask和Numba組合的性能優(yōu)于其它方法。
上面的第二張圖稍微有些復(fù)雜，其橫坐標(biāo)是對(duì)行數(shù)取對(duì)數(shù)。從第二張圖可以發(fā)現(xiàn)，對(duì)于1k到10k這樣小的數(shù)據(jù)集，單獨(dú)使用Numba的性能要比聯(lián)合使用Numba+Dask的性能更好，盡管在大數(shù)據(jù)集上Numba+Dask的性能非常好。
優(yōu)化
為了能夠使用Numba編譯JIT，我重寫了函數(shù)以更好地利用broadcasting。之后，重新運(yùn)行這些函數(shù)后發(fā)現(xiàn)，平均而言，對(duì)于相同的代碼，JIT的執(zhí)行速度大約快了24%。
c9f6a34759b5b1298033c2e4ffd5d78a63994af5
可以肯定的說，一定有進(jìn)一步的優(yōu)化方法使得執(zhí)行速度更快，但目前沒有發(fā)現(xiàn)。Dask是一個(gè)非常友好的工具，本文使用Dask+Numba實(shí)現(xiàn)的最好成果是提升運(yùn)行速度60倍。
另外有需要云服務(wù)器可以了解下創(chuàng)新互聯(lián)scvps.cn，海內(nèi)外云服務(wù)器15元起步，三天無理由+7*72小時(shí)售后在線，公司持有idc許可證，提供“云服務(wù)器、裸金屬服務(wù)器、高防服務(wù)器、香港服務(wù)器、美國(guó)服務(wù)器、虛擬主機(jī)、免備案服務(wù)器”等云主機(jī)租用服務(wù)以及企業(yè)上云的綜合解決方案，具有“安全穩(wěn)定、簡(jiǎn)單易用、服務(wù)可用性高、性價(jià)比高”等特點(diǎn)與優(yōu)勢(shì)，專為企業(yè)上云打造定制，能夠滿足用戶豐富、多元化的應(yīng)用場(chǎng)景需求。
重慶分公司
重慶分公司
