在python中处理基于变量类型的数据子集

Question

我有以下数据存储在csv（df_sample.csv）中。我在名为cols_list的列表中有列名。

df_data_sample：

df_data_sample = pd.DataFrame({
                    'new_video':['BASE','SHIVER','PREFER','BASE+','BASE+','EVAL','EVAL','PREFER','ECON','EVAL'],
                    'ord_m1':[0,1,1,0,0,0,1,0,1,0],
                    'rev_m1':[0,0,25.26,0,0,9.91,'NA',0,0,0],
                    'equip_m1':[0,0,0,'NA',24.9,20,76.71,57.21,0,12.86],
                    'oev_m1':[3.75,8.81,9.95,9.8,0,0,'NA',10,56.79,30],
                    'irev_m1':['NA',19.95,0,0,4.95,0,0,29.95,'NA',13.95]
                    })

attribute_dict = {
        'new_video': 'CAT',
        'ord_m1':'NUM',
        'rev_m1':'NUM',
        'equip_m1':'NUM',
        'oev_m1':'NUM',
        'irev_m1':'NUM'
        }

然后我读了每一列并做了一些数据处理，如下所示：

cols_list = df_data_sample.columns
# Write to csv.
df_data_sample.to_csv("df_seg_sample.csv",index = False)
#df_data_sample = pd.read_csv("df_seg_sample.csv")
#Create empty dataframe to hold final processed data for each income level.
df_final = pd.DataFrame()
# Read in each column, process, and write to a csv - using csv module
for column in cols_list:
    df_column = pd.read_csv('df_seg_sample.csv', usecols = [column],delimiter = ',')
    if (((attribute_dict[column] == 'CAT') & (df_column[column].unique().size <= 100))==True):
        df_target_attribute = pd.get_dummies(df_column[column], dummy_na=True,prefix=column)
        # Check and remove duplicate columns if any:
        df_target_attribute = df_target_attribute.loc[:,~df_target_attribute.columns.duplicated()]

        for target_column in list(df_target_attribute.columns):
            # If variance of the dummy created is zero : append it to a list and print to log file.
            if ((np.var(df_target_attribute[[target_column]])[0] != 0)==True):
                df_final[target_column] = df_target_attribute[[target_column]]


    elif (attribute_dict[column] == 'NUM'):
        #Let's impute with 0 for numeric variables:
        df_target_attribute = df_column
        df_target_attribute.fillna(value=0,inplace=True)
        df_final[column] = df_target_attribute

attribute_dict是一个包含变量name：variable type的映射的字典：

{
'new_video': 'CAT'
'ord_m1':'NUM'
'rev_m1':'NUM'
'equip_m1':'NUM'
'oev_m1':'NUM'
'irev_m1':'NUM'
}

但是，此列逐列操作需要很长时间才能在大小为**（500万行* 3400列）**的数据集上运行。目前运行时间约为12小时以上。我想尽可能地减少这个，我想到的一种方法是一次处理所有NUM列，然后逐列逐列CAT变量。但是，我不确定Python中的代码是否能够实现这一目标，也不确定这是否会真正加快这一过程。有人可以帮助我！

Answer 1

对于数字列，它很简单：

num_cols = [k for k, v in attribute_dict.items() if v == 'NUM']
print (num_cols)
['ord_m1', 'rev_m1', 'equip_m1', 'oev_m1', 'irev_m1']

df1 = pd.read_csv('df_seg_sample.csv', usecols = [num_cols]).fillna(0)

---

但第一部分代码是性能问题，特别是在get_dummies中需要5 million rows：

df_target_attribute = pd.get_dummies(df_column[column], dummy_na=True, prefix=column)

不幸的是，问题进程get_dummies在块。

Answer 2

有三件事我建议你加快计算速度：

1. 看看pandas qazxsw poi的功能。 HDF是一种二进制文件格式，用于快速读取和写入磁盘数据。
2. 我会立刻读取你的csv文件的更大块（几列）（取决于你的内存有多大）。
3. 您可以同时将多个pandas操作应用于每个列。例如nunique（）（给你唯一值的数量，因此你不需要unique（）。size）。通过这些按列操作，您可以通过选择二进制向量轻松过滤列。例如。

HDF5

此外，来自大熊猫作者的大数据工作流程的

df = df.loc[:, df.nunique() > 100] 
#filter out every column where less then 100 unique values are present

可能对您有意义。