- 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
我有一个包含大约 5400 万行的数据集,我需要从一个制表符分隔的文本文件中读取它,将其从宽格式转换为长格式,然后写入一个新的文本文件。数据太大,内存放不下,所以我一直在使用迭代器。我想将三个独立的变量从宽移到长,所以我一直在使用其中三个独立的迭代器
import pandas as pd
import itertools as it
filename = "C:/example.txt"
iter_a = pd.read_table(filename, iterator=True, usecols=col_list_1, chunksize=100000)
iter_b = pd.read_table(filename, iterator=True, usecols=col_list_2, chunksize=100000)
iter_c = pd.read_table(filename, iterator=True, usecols=col_list_3, chunksize=100000)
所有 usecols 列表都包含一个公共(public)标识符和其他不同的列。列名基于年份和属性,因此列列表可能如下所示:
col_list_1 = ['Key', 'A90', 'A91', 'A92']
col_list_2 = ['Key', 'B90', 'B91', 'B92']
col_list_3 = ['Key', 'C90', 'C91', 'C92']
而且我想将所有列名称更改为没有前导字符的年份,并且仅在年份上融化。
new_colnames = ['Key', '1990', '1991', '1992']
melt_values = ['1990', '1991', '1992']
for achunk, bchunk, cchunk in it.izip(iter_a, iter_b, iter_c):
achunk.columns = new_colnames
bchunk.columns = new_colnames
cchunk.columns = new_colnames
melted_a = pd.melt(achunk, id_vars='Key', value_vars=melt_values, var_name='Year', value_name='A').set_index(['Key', 'Year']).sort_index()
melted_b = pd.melt(bchunk, id_vars='Key', value_vars=melt_values, var_name='Year', value_name='B').set_index(['Key', 'Year']).sort_index()
melted_c = pd.melt(cchunk, id_vars='Key', value_vars=melt_values, var_name='Year', value_name='C').set_index(['Key', 'Year']).sort_index()
join1 = melted_a.join(melted_b, how='outer')
join2 = join1.join(melted_c, how='outer')
join2.dropna(inplace=True, how='all')
join2.to_csv('C:/output_example.txt', sep='\t')
虽然这确实有效,但需要很长时间。我在 15 秒内用 100,000 行 block 记录了一次迭代。假设它是线性扩展的,看来我正在寻找 2.25 小时的运行时间。有什么好的方法可以加快速度吗?也许使用 numpy 数组或多处理?
最佳答案
pandas
csv 解析器非常快,但您可以尝试纯 python 解决方案,因为 pandas 正在做很多您并不真正关心的事情(类型推断和转换,所有连接对齐、索引等)。
这只是一个开始,但这是一个非常简单的宽到长示例。您必须对其进行测试,但我猜它可能比您在上面所做的更快。
In [30]: %%file tmp.csv
...: Key,A90,A91,A92,B90,B91,B92
...: a,1,2,3,4,5,6
...: b,7,8,9,10,11,12
In [32]: with open('tmp.csv') as f, open('out.csv', 'w') as f2:
...: f2.write('Key,Group,Year,Value\n')
...: for i, line in enumerate(f):
...: if i == 0:
...: _, *headers = line.strip().split(',')
...: headers = [(h[0], '19' + h[1:]) for h in headers]
...: else:
...: key, *rest = line.strip().split(',')
...: for (group, year), value in zip(headers, rest):
...: f2.write(','.join([key, group, year, value]) + '\n')
In [33]: print(open('out.csv').read())
Key,Group,Year,Value
a,A,1990,1
a,A,1991,2
a,A,1992,3
a,B,1990,4
a,B,1991,5
a,B,1992,6
b,A,1990,7
b,A,1991,8
b,A,1992,9
b,B,1990,10
b,B,1991,11
b,B,1992,12
关于python - 时间高效的宽到长转换 Pandas,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/37868453/
pandas.crosstab 和 Pandas 数据透视表似乎都提供了完全相同的功能。有什么不同吗? 最佳答案 pivot_table没有 normalize争论,不幸的是。 在 crosstab
我能找到的最接近的答案似乎太复杂:How I can create an interval column in pandas? 如果我有一个如下所示的 pandas 数据框: +-------+ |
这是我用来将某一行的一列值移动到同一行的另一列的当前代码: #Move 2014/15 column ValB to column ValA df.loc[(df.Survey_year == 201
我有一个以下格式的 Pandas 数据框: df = pd.DataFrame({'a' : [0,1,2,3,4,5,6], 'b' : [-0.5, 0.0, 1.0, 1.2, 1.4,
所以我有这两个数据框,我想得到一个新的数据框,它由两个数据框的行的克罗内克积组成。正确的做法是什么? 举个例子:数据框1 c1 c2 0 10 100 1 11 110 2 12
TL;DR:在 pandas 中,如何绘制条形图以使其 x 轴刻度标签看起来像折线图? 我制作了一个间隔均匀的时间序列(每天一个项目),并且可以像这样很好地绘制它: intensity[350:450
我有以下两个时间列,“Time1”和“Time2”。我必须计算 Pandas 中的“差异”列,即 (Time2-Time1): Time1 Time2
从这个 df 去的正确方法是什么: >>> df=pd.DataFrame({'a':['jeff','bob','jill'], 'b':['bob','jeff','mike']}) >>> df
我想按周从 Pandas 框架中的列中累积计算唯一值。例如,假设我有这样的数据: df = pd.DataFrame({'user_id':[1,1,1,2,2,2],'week':[1,1,2,1,
数据透视表的表示形式看起来不像我在寻找的东西,更具体地说,结果行的顺序。 我不知道如何以正确的方式进行更改。 df示例: test_df = pd.DataFrame({'name':['name_1
我有一个数据框,如下所示。 Category Actual Predicted 1 1 1 1 0
我有一个 df,如下所示。 df: ID open_date limit 1 2020-06-03 100 1 2020-06-23 500
我有一个 df ,其中包含与唯一值关联的各种字符串。对于这些唯一值,我想删除不等于单独列表的行,最后一行除外。 下面使用 Label 中的各种字符串值与 Item 相关联.所以对于每个唯一的 Item
考虑以下具有相同名称的列的数据框(显然,这确实发生了,目前我有一个像这样的数据集!:() >>> df = pd.DataFrame({"a":range(10,15),"b":range(5,10)
我在 Pandas 中有一个 DF,它看起来像: Letters Numbers A 1 A 3 A 2 A 1 B 1 B 2
如何减去两列之间的时间并将其转换为分钟 Date Time Ordered Time Delivered 0 1/11/19 9:25:00 am 10:58:00 am
我试图理解 pandas 中的下/上百分位数计算,但有点困惑。这是它的示例代码和输出。 test = pd.Series([7, 15, 36, 39, 40, 41]) test.describe(
我有一个多索引数据框,如下所示: TQ bought HT Detailed Instru
我需要从包含值“低”,“中”或“高”的数据框列创建直方图。当我尝试执行通常的df.column.hist()时,出现以下错误。 ex3.Severity.value_counts() Out[85]:
我试图根据另一列的长度对一列进行子串,但结果集是 NaN .我究竟做错了什么? import pandas as pd df = pd.DataFrame([['abcdefghi','xyz'],
我是一名优秀的程序员,十分优秀!