python - 加速 Django 数据库函数以对缺失值进行地理插值

Question

我有一个大型商业地产地址数据库(约 500 万行)，其中 200,000 行缺少建筑面积。这些特性按行业分类，我知道每个特性的租金。

我对缺失的建筑面积进行插值的方法是，在建筑面积未知的特性的指定半径内过滤出类似分类的特性，然后根据附近特性的成本/平方米的中位数计算建筑面积。

最初，我使用 pandas 来解决这个问题，但随着数据集变大(甚至使用 group_by)，这已成为问题。它经常超出可用内存，然后停止。工作时，大约需要 3 个小时才能完成。

我正在测试是否可以在数据库中完成相同的任务。我为径向填充编写的函数如下:

def _radial_fill(self):
    # Initial query selecting all latest locations, and excluding null rental valuations
    q = Location.objects.order_by("locode","-update_cycle") \
                        .distinct("locode")
    # Chained Q objects to use in filter
    f = Q(rental_valuation__isnull=False) & \
        Q(use_category__grouped_by__isnull=False) & \
        Q(pc__isnull=False)
    # All property categories at subgroup level
    for c in LocationCategory.objects.filter(use_category="SGP").all():
        # Start looking for appropriate interpolation locations
        fc = f & Q(use_category__grouped_by=c)
        for l in q.filter(fc & Q(floor_area__isnull=True)).all():
            r_degree = 0
            while True:
                # Default Distance is metres, so multiply accordingly
                r = (constants.BOUNDS**r_degree)*1000 # metres
                ql = q.annotate(distance=Distance("pc__point", l.pc.point)) \
                      .filter(fc & Q(floor_area__isnull=False) & Q(distance__lte=r)) \
                      .values("rental_valuation", "floor_area")
                if len(ql) < constants.LOWER_RANGE:
                    if r > constants.UPPER_RADIUS*1000:
                        # Further than the longest possible distance
                        break
                    r_degree += 1
                else:
                    m = median([x["rental_valuation"]/x["floor_area"]
                                for x in ql if x["floor_area"] > 0.0])
                    l.floor_area = l.rental_valuation / m
                    l.save()
                    break

我的问题是这个函数需要 6 天才能运行。必须有更快的方法，对吧？我敢肯定我做错了什么...

模型如下:

class LocationCategory(models.Model):
    # Category types
    GRP = "GRP"
    SGP = "SGP"
    UST = "UST"
    CATEGORIES = (
        (GRP, "Group"),
        (SGP, "Sub-group"),
        (UST, "Use type"),
    )
    slug = models.CharField(max_length=24, primary_key=True, unique=True)
    usecode = models.CharField(max_length=14, db_index=True)
    use_category = models.CharField(max_length=3, choices=CATEGORIES,
                                    db_index=True, default=UST)
    grouped_by = models.ForeignKey("self", null=True, blank=True,
                                   on_delete=models.SET_NULL,
                                   related_name="category_by_group")

class Location(models.Model):
    # Hereditament identity and location
    slug = models.CharField(max_length=24, db_index=True)
    locode = models.CharField(max_length=14, db_index=True)
    pc = models.ForeignKey(Postcode, null=True, blank=True,
                           on_delete=models.SET_NULL,
                           related_name="locations_by_pc")
    use_category = models.ForeignKey(LocationCategory, null=True, blank=True,
                                     on_delete=models.SET_NULL,
                                     related_name="locations_by_category")
    # History fields
    update_cycle = models.CharField(max_length=14, db_index=True)
    # Location-specific econometric data
    floor_area = models.FloatField(blank=True, null=True)
    rental_valuation = models.FloatField(blank=True, null=True)

class Postcode(models.Model):
    pc = models.CharField(max_length=7, primary_key=True, unique=True) # Postcode excl space
    pcs = models.CharField(max_length=8, unique=True)                  # Postcode incl space
    # http://spatialreference.org/ref/epsg/osgb-1936-british-national-grid/
    point = models.PointField(srid=4326)

使用 Django 2.0 和 Postgresql 10

更新

通过以下代码更改，我的运行时间提高了 35%:

# Initial query selecting all latest locations, and excluding null rental valuations
q = Location.objects.order_by("slug","-update_cycle") \
                    .distinct("slug")
# Chained Q objects to use in filter
f = Q(rental_valuation__isnull=False) & \
    Q(pc__isnull=False) & \
    Q(use_category__grouped_by_id=category_id)
# All property categories at subgroup level
# Start looking for appropriate interpolation locations
for l in q.filter(f & Q(floor_area__isnull=True)).all().iterator():
    r = q.filter(f & Q(floor_area__isnull=False) & ~Q(floor_area=0.0))
    rl = Location.objects.filter(id__in = r).annotate(distance=D("pc__point", l.pc.point)) \
                                            .order_by("distance")[:constants.LOWER_RANGE] \
                                            .annotate(floor_ratio = F("rental_valuation")/
                                                                    F("floor_area")) \
                                            .values("floor_ratio")
    if len(rl) == constants.LOWER_RANGE:
        m = median([h["floor_ratio"] for h in rl])
        l.floor_area = l.rental_valuation / m
        l.save()

id__in=r 效率低下，但它似乎是在添加和排序新注释时保持 distinct 查询集的唯一方法。假设在 r 查询中可以返回大约 100,000 行，在那里应用的任何注释，以及随后的按距离排序，都可能需要非常长的时间。

但是……我在尝试实现子查询功能时遇到了很多问题。 AttributeError: 'ResolvedOuterRef' object has no attribute '_output_field_or_none' 我认为这与注释有关，但我找不到太多关于它的信息。

相关重构代码为:

rl = Location.objects.filter(id__in = r).annotate(distance=D("pc__point", OuterRef('pc__point'))) \
                                        .order_by("distance")[:constants.LOWER_RANGE] \
                                        .annotate(floor_ratio = F("rental_valuation")/
                                                                F("floor_area")) \
                                        .distinct("floor_ratio")

和:

l.update(floor_area= F("rental_valuation") / CustomAVG(Subquery(locs),0))

我可以看出这种方法应该非常有效，但要正确使用它似乎远远超出了我的技能水平。

Answer 1

您可以使用(大部分)经过优化的 Django 内置查询方法来简化您的方法。更具体地说，我们将使用:

• Subquery和 OuterRef方法(版本 >= 1.11)。
• 来自Django aggregation 的注释 和AVG .
• dwithin查找。
• F()表达式(F() 的详细用例可以在我的 QA 样式示例中找到:How to execute arithmetic operations between Model fields in django

---

我们将创建一个自定义聚合类来应用我们的 AVG 函数(方法的灵感来自于这个出色的答案:Django 1.11 Annotating a Subquery Aggregate)

class CustomAVG(Subquery):
    template = "(SELECT AVG(area_value) FROM (%(subquery)s))"
    output_field = models.FloatField()

我们将使用它来计算以下平均值:

for location in Location.objects.filter(rental_valuation__isnull=True):
    location.update(
        rental_valuation=CustomAVG(
            Subquery(
                Location.objects.filter(
                    pc__point__dwithin=(OuterRef('pc__point'), D(m=1000)),
                    rental_valuation__isnull=False
                ).annotate(area_value=F('rental_valuation')/F('floor_area'))
                .distinct('area_value')
            )
        )
    )

以上分解:

• 我们收集所有没有 rental_valuation 的 Location 对象，然后“传递”列表。
• 子查询: 我们选择 radius=1000m 圆内的 Location 对象(将其更改为如你所愿)从我们当前的位置点开始，我们在它们上注释成本/m2计算(使用F()获取列的值每个对象的 rental_valuation 和 floor_area)，作为名为 area_value 的列。为了获得更准确的结果，我们仅选择此列的不同值。
• 我们将 CustomAVG 应用到 Subquery 并更新我们当前的位置 rental_valuation。