- android - 多次调用 OnPrimaryClipChangedListener
- android - 无法更新 RecyclerView 中的 TextView 字段
- android.database.CursorIndexOutOfBoundsException : Index 0 requested, 光标大小为 0
- android - 使用 AppCompat 时,我们是否需要明确指定其 UI 组件(Spinner、EditText)颜色
我有以下代码片段,可将 CSV 读入数据帧,并以符合 Redis 协议(protocol)的方式将键值对写入文件,即 SET key1 value1
。代码是零碎的,我尝试使用多处理,但我不确定它的性能( yield )。
CSV 有大约 600 万行,可以很快(不到 2 分钟)读入数据帧。输出文件有 1200 万行(输入文件每行 2 行)。这大约需要 50 分钟才能完成。可以优化/更改我的代码的任何部分以使其运行得更快吗?文件完成后,将其加载到 Redis 只需不到 90 秒的时间。真正的瓶颈在于写入文件。我将有几个这样的文件要写,每个文件花费 50-60 分钟确实不理想。这个特定的数据集有 600 万行和 10 列,主要由带有一些浮点列的字符串组成。 Redis 键是字符串,浮点值是键值对中的 Redis 值。其他数据集的大小与此类似,甚至更大(在行和列方面)。
我正在研究将我生成的所有字符串加载到一个数据框中,然后使用 to_csv() 函数将其转储到一个文件中,但我不确定它的性能如何。
filepath = '/path/to/file.csv'
def df_to_file:
df = pd.read_csv(filepath)
f = open('output_file', 'w')
for i in range(len(df.index)):
if df['col1'].iloc[i] != '':
key1 = str(df['col1'].iloc[i])+str(df['col4'].iloc[i])+str(df['col5'].iloc[i])+...+str(df['col_n'].iloc[i])
val1 = df['col_n+1'].iloc[i]
key1a = str(df['col1'].iloc[i])+str(df['col4'].iloc[i])+str(df['col5'].iloc[i])+...+str(df['col_n'].iloc[i])
val1a = df['col_n+2'].iloc[i]
print('SET {0} {1}\nSET {0} {1}'.format(key1, val1, key1a, val1a), file = f)
if df['col2'].iloc[i] != '':
key1 = str(df['col2'].iloc[i])+str(df['col4'].iloc[i])+str(df['col5'].iloc[i])+...+str(df['col_n'].iloc[i])
val1 = df['col_n+1'].iloc[i]
key1a = str(df['col2'].iloc[i])+str(df['col4'].iloc[i])+str(df['col5'].iloc[i])+...+str(df['col_n'].iloc[i])
val1a = df['col_n+2'].iloc[i]
print('SET {0} {1}\nSET {0} {1}'.format(key1, val1, key1a, val1a), file = f)
if df['col3'].iloc[i] != '':
key1 = str(df['col3'].iloc[i])+str(df['col4'].iloc[i])+str(df['col5'].iloc[i])+...+str(df['col_n'].iloc[i])
val1 = df['col_n+1'].iloc[i]
key1a = str(df['col3'].iloc[i])+str(df['col4'].iloc[i])+str(df['col5'].iloc[i])+...+str(df['col_n'].iloc[i])
val1a = df['col_n+2'].iloc[i]
print('SET {0} {1}\nSET {0} {1}'.format(key1, val1, key1a, val1a), file = f)
f.close()
p = Process(target = df_to_file)
p.start()
p.join()
最佳答案
使用类似 df['col1'].loc[...]
的结构遍历单个行会很慢,iloc
和 loc
基于选择器用于选择整个数据帧,并做很多与索引对齐相关的事情,如果对每一行都做的话会产生很高的开销。相反,只需使用 df.itertuples()
遍历行将明显更快。
def df_to_file:
df = pd.read_csv(filepath)
f = open('output_file', 'wb') # writing in binary mode should be faster, if it is possible without unicode problems
for row in df.itertuples():
if row.col1:
key1, val1 = string1, string2
key1a, val1a = string1a, string2a
print('SET {0} {1}\nSET {0} {1}'.format(key1, val1, key1a, val1a), file = f)
if row.col2:
key1, val1 = string1, string2
key1a, val1a = string1a, string2a
print('SET {0} {1}\nSET {0} {1}'.format(key1, val1, key1a, val1a), file = f)
if row.col3:
key1, val1 = string1, string2
key1a, val1a = string1a, string2a
print('SET {0} {1}\nSET {0} {1}'.format(key1, val1, key1a, val1a), file = f)
f.close()
这可能是您可以进行的最低限度的优化。如果您更详细地准确描述了您在做什么,也许可以找到矢量化解决方案。
此外,不要将以上内容与 multiprocessing
一起使用.
此外,如所写,'SET {0} {1}\nSET {0} {1}'.format(key1, val1, key1a, val1a)
永远是一样的。如果这些参数没有改变,那么只需在循环外执行字符串连接 一次 并在循环中重新使用整个字符串。
编辑:似乎你不能在上面那样做但是,给定:
This particular dataset has 6 million rows and 10 columns, mostly comprised of strings with a few float columns. The Redis keys are the strings and the float values are the Redis values in the key-value pair.
然后简单地 key1 = ''.join(row.col1, row.col4, row.col5, ...)
不要使用 str
和 +
运算符,这是非常低效的,因为你暗示那些列已经是字符串了。如果您必须调用str
在所有这些列上,使用 map(str, ...)
最后,如果您真的需要提高性能,请注意 row
将是 namedtuple
对象,是元组,您可以使用基于整数的索引而不是基于属性的标签访问,即 row[1]
而不是 row.col1
(请注意,row[0]
将是 row.index
,即索引)`,它应该更快(并且它会有所不同,因为您在每次迭代中对元组进行索引数十次并进行数百万次迭代)。
关于python - 使用 Python dataframe 高效地将数百万行写入文件,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48716244/
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库,但没有成功。 我猜它只是通过 knn 聚类
我有一个扁平数字列表,这些数字逻辑上以 3 为一组,其中每个三元组是 (number, __ignored, flag[0 or 1]),例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。 如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
这听起来像是谜语或笑话,但实际上我还没有找到这个问题的答案。 问题到底是什么? 我想运行 2 个脚本。在第一个脚本中,我调用另一个脚本,但我希望它们继续并行,而不是在两个单独的线程中。主要是我不希望第
我有一个带有 python 2.5.5 的软件。我想发送一个命令,该命令将在 python 2.7.5 中启动一个脚本,然后继续执行该脚本。 我试过用 #!python2.7.5 和http://re
我在 python 命令行(使用 python 2.7)中,并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹,使用: os.chdir("
剧透:部分解决(见最后)。 以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
假设我有以下列表,对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
所以我试图在选择某个单选按钮时更改此框架的背景。 我的框架位于一个类中,并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
我正在尝试将字符串与 python 中的正则表达式进行比较,如下所示, #!/usr/bin/env python3 import re str1 = "Expecting property name
考虑以下原型(prototype) Boost.Python 模块,该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
如何编写一个程序来“识别函数调用的行号?” python 检查模块提供了定位行号的选项,但是, def di(): return inspect.currentframe().f_back.f_l
我已经使用 macports 安装了 Python 2.7,并且由于我的 $PATH 变量,这就是我输入 $ python 时得到的变量。然而,virtualenv 默认使用 Python 2.6,除
我只想问如何加快 python 上的 re.search 速度。 我有一个很长的字符串行,长度为 176861(即带有一些符号的字母数字字符),我使用此函数测试了该行以进行研究: def getExe
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。 告
我想用 Python 将两个列表组合成一个列表,方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
学习 Python,我正在尝试制作一个没有任何第 3 方库的网络抓取工具,这样过程对我来说并没有简化,而且我知道我在做什么。我浏览了一些在线资源,但所有这些都让我对某些事情感到困惑。 html 看起来
我是一名优秀的程序员,十分优秀!