利用pandas進行大文件計數(shù)處理的方法

更新時間：2018年07月25日 11:16:09 作者：CaspianR

今天小編就為大家分享一篇利用pandas進行大文件計數(shù)處理的方法，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

Pandas讀取大文件

要處理的是由探測器讀出的脈沖信號，一組數(shù)據(jù)為兩列，一列為時間，一列為脈沖能量，數(shù)據(jù)量在千萬級，為了有一個直接的認(rèn)識，先使用Pandas讀取一些

import pandas as pd
data = pd.read_table('filename.txt', iterator=True)
chunk = data.get_chunk(5)

而輸出是這樣的：

Out[4]: 
332.977889999979 -0.0164794921875 
0 332.97790 -0.022278 
1 332.97791 -0.026855 
2 332.97792 -0.030518 
3 332.97793 -0.045776 
4 332.97794 -0.032654

DataFram基本用法

這里，data只是個容器，pandas.io.parsers.TextFileReader。

使用astype可以實現(xiàn)dataframe字段類型轉(zhuǎn)換

輸出數(shù)據(jù)中，每組數(shù)據(jù)會多處一行，因為get_chunk返回的是pandas.core.frame.DataFrame格式，而data在讀取過程中并沒有指定DataFrame的columns，因此在get_chunk過程中，默認(rèn)將第一組數(shù)據(jù)作為columns。因此需要在讀取過程中指定names即DataFrame的columns。

import pandas as pd
data = pd.read_table('filename.txt', iterator=True， names=['time', 'energe'])
chunk = data.get_chunk(5) 
data['energe'] = df['energe'].astype('int')

輸出為

Out[6]:

index	time	energe
0	332.97789	-0.016479
1	332.97790	-0.022278
2	332.97791	-0.026855
3	332.97792	-0.030518
4	332.97793	-0.045776

DataFram存儲和索引

這里講一下DataFrame這個格式，與一般二維數(shù)據(jù)不同（二維列表等），DataFrame既有行索引又有列索引，因此在建立一個DataFrame數(shù)據(jù)是

DataFrame(data, columns=[‘year', ‘month', ‘day'], 
index=[‘one', ‘two', ‘three'])

	year	month	day
0	2010	4	1
1	2011	5	2
2	2012	6	3
3	2013	7	5
4	2014	8	9

而pd.read_table中的names就是指定DataFrame的columns,而index自動設(shè)置。而DataFrame的索引格式有很多

類型	說明	例子
obj[val]	選取單列或者一組列
obj.ix[val]	選取單個行或者一組行
obj.ix[:,val]	選取單個列或列子集
obj.ix[val1, val2]	同時選取行和列
reindex方法	將一個或多個軸匹配到新索引
xs方法	根據(jù)標(biāo)簽選取單行或單列，返回一個Series
icol,lrow方法	根據(jù)整數(shù)位置選取單列或單行，返回一個Series
get_value,set_value	根據(jù)行標(biāo)簽列標(biāo)簽選取單個值

exp: In[1]:data[:2]

Out[2]:

	year	month	day
0	2010	4	1
1	2011	5	2

In[2]:data[data[‘month']>5]

Out[2]:

	year	month	day
2	2012	6	3
4	2014	8	9

如果我們直接把data拿來比較的話，相當(dāng)于data中所有的標(biāo)量元素

In[3]:data[data<6]=0

Out[3]:

	year	month	day
0	2010	0	0
1	2011	0	0
2	2012	6	0
3	2013	7	0
4	2014	8	9

Pandas運算

series = data.ix[0]
data - series

Out:

	year	month	day
0	0	0	0
1	1	1	1
2	2	2	2
3	3	3	4
4	4	4	8

DataFrame與Series之間運算會將Series索引匹配到DataFrame的列，然后沿行一直向下廣播

如果令series1 = data[‘year']

data.sub(series1,axis=0)

則每一列都減去該series1，axis為希望匹配的軸,=0行索引，即匹配列，=1列索引，則按行匹配。

DataFrame的一些函數(shù)方法

這個就有很多了，比如排序和排名；求和、平均數(shù)以及方差、協(xié)方差等數(shù)學(xué)方法；還有就是唯一值（類似于集合）、值計數(shù)和成員資格等方法。

當(dāng)然還有一些更高級的屬性，用的時候再看吧

數(shù)據(jù)處理

在得到數(shù)據(jù)樣式后我們先一次性讀取數(shù)據(jù)

start = time.time()
data = pd.read_table('Eu155_Na22_K40_MR_0CM_3Min.csv', names=['time', 'energe'])
end = time.time()
data.index
print("The time is %f s" % (end - start))
plus = data['energe']
plus[plus < 0] = 0

The time is 29.403917 s 
RangeIndex(start=0, stop=68319232, step=1)

對于一個2G大小，千萬級的數(shù)據(jù)，這個讀取速度還是挺快的。之前使用matlab load用時160多s，但是不知道這個是否把數(shù)據(jù)完全讀取了。然后只抽取脈沖信號，將負(fù)值歸0，因為會出現(xiàn)一定的電子噪聲從而產(chǎn)生一定負(fù)值。

然后就需要定位脈沖信號中的能峰了，也就是findpeaks

這里用到了scipy.signal中的find_peaks_cwt，具體用法可以參見官方文檔

peaks = signal.find_peaks_cwt(pluse, np.arange(1, 10))，它返回找到的peaks的位置，輸入第一個為數(shù)據(jù)，第二個為窗函數(shù)，也就是在這個寬度的能窗內(nèi)尋找峰，我是這樣理解的。剛開始以為是數(shù)據(jù)的另一維坐標(biāo)，結(jié)果找了半天沒結(jié)果。不過事實上這個找的確定也挺慢的。

50w條的數(shù)據(jù)，找了足足7分鐘，我這一個數(shù)據(jù)3000w條不得找半個多小時，而各種數(shù)據(jù)有好幾十，恩。。這樣是不行的，于是想到了并行的方法。這個下篇文章會講到，也就是把數(shù)據(jù)按照chunksize讀取，然后同時交給(map)幾個進程同時尋峰，尋完后返回(reduce)一起計數(shù)，計數(shù)的同時，子進程再此尋峰。

在處理的時候碰到我自己的破筆記本由于內(nèi)存原因不能load這個數(shù)據(jù)，并且想著每次copy這么大數(shù)據(jù)好麻煩，就把一個整體數(shù)據(jù)文件分割成了幾個部分，先對方法進行一定的實驗，時間快，比較方便。

import pandas as pd


def split_file(filename, size):
 name = filename.split('.')[0]
 data = pd.read_table(filename, chunksize=size, names=['time', 'intension'])
 i = 1
 for piece in data:
 outname = name + str(i) + '.csv'
 piece.to_csv(outname, index=False, names = ['time', 'intension'])
 i += 1

def split_csvfile(filename, size):
 name = filename.split('.')[0]
 data = pd.read_csv(filename, chunksize=size, names=['time', 'intension'])
 i = 1
 for piece in data:
 outname = name + str(i) + '.csv'
 piece = piece['intension']
 piece.to_csv(outname, index=False)
 i += 1

額..使用并行尋峰通過map/reduce的思想來解決提升效率這個想法，很早就實現(xiàn)了，但是，由于效果不是特別理想，所以放那也就忘了，今天整理代碼來看了下當(dāng)時記的些筆記，然后竟然發(fā)現(xiàn)有個評論…..我唯一收到的評論竟然是“催稿”=。=。想一想還是把下面的工作記錄下來，免得自己后來完全忘記了。

rom scipy import signal
import os
import time
import pandas as pd
import numpy as np
from multiprocessing import Pool
import matplotlib.pylab as plt
from functools import partial


def findpeak(pluse):
 pluse[pluse < 0.05] = 0
 print('Sub process %s.' % os.getpid())
 start = time.time()
 peaks = signal.find_peaks_cwt(pluse, np.arange(1, 10)) # 返回一個列表
 end = time.time()
 print("The time is %f s" % (end - start))
 pks = [pluse[x] for x in peaks]
 return pks


def histcnt(pks, edge=None, channel=None):
 cnt = plt.hist(pks, edge)
 res = pd.DataFrame(cnt[0], index=channel, columns=['cnt'])
 return res


if __name__ == '__main__':
 with Pool(processes=8) as p:
 start = time.time()
 print('Parent process %s.' % os.getpid())
 pluse = pd.read_csv('data/samples.csv', chunksize=50000, names=['time', 'energe'])
 channel = pd.read_csv('data/channels.txt', names=['value'])
 edges = channel * 2
 edges = pd.DataFrame({'value': [0]}).append(edges, ignore_index=True)
 specal = []
 for data in pluse:
 total = p.apply_async(findpeak, (data['energe'],),
   callback=partial(histcnt, edge=edges['value'], channel=channel['value']))
 specal.append(total)
 print('Waiting for all subprocesses done...')
 p.close()
 p.join()
 print('All subprocesses done.')
 spec = sum(specal)
 plt.figure()
 plt.plot(spec['cnt'])
 spec.to_csv('data/spec1.csv', header=False)
 print('every is OK')
 end = time.time()
 print("The time is %f s" % (end - start))

由于對對進程線程的編程不是很了解，其中走了很多彎路，嘗試了很多方法也，這個是最終效果相對較好的。

首先，通過 pd.readtable以chunksize=50000分塊讀取，edges為hist過程中的下統(tǒng)計box。

然后，apply_async為非阻塞調(diào)用findpeak，然后將結(jié)果返回給回調(diào)函數(shù)histcnt，但是由于回調(diào)函數(shù)除了進程返回結(jié)果還有額外的參數(shù)，因此使用partial,對特定的參數(shù)賦予固定的值(edge和channel)并返回了一個全新的可調(diào)用對象，這個新的可調(diào)用對象仍然需要通過制定那些未被賦值的參數(shù)(findpeak返回的值)來調(diào)用。這個新的課調(diào)用對象將傳遞給partial()的固定參數(shù)結(jié)合起來，同一將所有參數(shù)傳遞給原始函數(shù)(histcnt)。(至于為啥不在histcnt中確定那兩個參數(shù)，主要是為了避免一直打開文件。。當(dāng)然，有更好的辦法只是懶得思考=。=)，還有個原因就是，apply_async返回的是一個對象，需要通過該對象的get方法才能獲取值。。

對于 apply_async官方上是這樣解釋的

Apply_async((func[, args[, kwds[, callback[, error_callback]]]])),apply()方法的一個變體，返回一個結(jié)果對象

如果指定回調(diào),那么它應(yīng)該是一個可調(diào)用的接受一個參數(shù)。結(jié)果準(zhǔn)備好回調(diào)時,除非調(diào)用失敗,在這種情況下,應(yīng)用error_callback代替。

如果error_callback被指定,那么它應(yīng)該是一個可調(diào)用的接受一個參數(shù)。如果目標(biāo)函數(shù)失敗,那么error_callback叫做除了實例。

回調(diào)應(yīng)立即完成以來,否則線程處理結(jié)果將被封鎖。

不使用回調(diào)函數(shù)的版本如下，即先將所有子進程得到的數(shù)據(jù)都存入peaks列表中，然后所有進程完畢后在進行統(tǒng)計計數(shù)。

import pandas as pd
import time
import scipy.signal as signal
import numpy as np
from multiprocessing import Pool
import os
import matplotlib.pyplot as plt


def findpeak(pluse):
 pluse[pluse < 0] = 0
 pluse[pluse > 100] = 0
 print('Sub process %s.' % os.getpid())
 start = time.time()
 peaks = signal.find_peaks_cwt(pluse, np.arange(1, 10))
 end = time.time()
 print("The time is %f s" % (end - start))
 res = [pluse[x] for x in peaks]
 return res


if __name__ == '__main__':
 with Pool(processes=8) as p:
 start = time.time()
 print('Parent process %s.' % os.getpid())
 pluse = pd.read_csv('data/sample.csv', chunksize=200000, names=['time', 'energe'])
 pks = []
 for data in pluse:
 pks.append(p.apply_async(findpeak, (data['energe'],)))
 print('Waiting for all subprocesses done...')
 p.close()
 p.join()
 print('All subprocesses done.')
 peaks = []
 for i, ele in enumerate(pks):
 peaks.extend(ele.get())
 peaks = pd.DataFrame(peaks, columns=['energe'])
 peaks.to_csv('peaks.csv', index=False, header=False, chunksize=50000)
 channel = pd.read_csv('data/channels.txt', names=['value'])
 channel *= 2
 channel = pd.DataFrame({'value': [0]}).append(channel, ignore_index=True)
 plt.figure()
 spec = plt.hist(peaks['energe'], channel['value'])
 # out.plot.hist(bins=1024)
 # print(out)
 # cnt = peaks.value_counts(bins=1024)
 # cnt.to_csv('data/cnt.csv', index=False, header=False)
 print('every is OK')
 end = time.time()
 print("The time is %f s" % (end - start))

以上這篇利用pandas進行大文件計數(shù)處理的方法就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: