- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一个文本文件,其中包含超过 100 万个观察值,我正在尝试将其处理为数据帧。问题是它看起来像这样:
product/productId: blah blah
product/title: blue shirt
product/price: unknown
review/userId: blah blah
review/text: blah blah
product/productId: blah blah
product/title: pair of jeans
product/price: unknown
review/userId: blah blah
review/text: blah blah
每个文本 block 都是一个独特的观察结果,我必须将它们分组并将它们分成整齐数据框中的行。总而言之,需要处理超过 500 万行。
我对 Python 相当陌生,所以我不太确定清理这个问题的最佳方法是什么。我首先将文件读入 Pandas df:
initialData = pd.read_csv(args["data_file"], sep="\n", header=None, dtype=str)
initialData.columns = [ "data" ]
print(initialData.head(5), "\n\n", initialData.shape)
输出:
data
0 product/productId: blah blah
1 product/title: blah blah
2 product/price: unknown
3 review/userId: blah blah
4 review/profileName: blah blah
(5819330, 1)
然后我尝试使用以下函数将每行中的数据组织到具有命名列的各自行中:
def organize_data(df):
df["col"] = 0
# group lines by observation represented
for line_count in range(0, len(df), 10):
indices = [ line_count, line_count + 1, line_count + 2,
line_count + 3, line_count + 4, line_count + 5,
line_count + 6, line_count + 7, line_count + 8, line_count + 9 ]
# iterate through grouped lines
for index in indices:
row = df.iloc[index]
# split inputs, assign one to "col" column
# that'll be used to assign each value to its
# respective column
split_row = row["data"].split(" ", 1)
new_label = split_row[0]
last_split = new_label.split("/")
future_col_name = last_split[1]
row["col"] = future_col_name
organized_df = df.pivot(columns="col", values="data")
return organized_df
正如您可以想象的那样,它实际上会遍历文件中的每一行,速度慢得令人难以置信。它给了我一个SettingWithCopyWarning来启动,所以当它完成时它甚至没有做我想要的事情。我该如何处理这些问题?
最佳答案
您可以对数据进行一些预处理,而不是使用 read_csv。我建议使用集合模块中的 defaultdict 将所有列分组到列表中。然后我们可以将defaultdict传递到DataFrame构造函数中以获得最终输出:
from collections import defaultdict
import pandas as pd
with open('reviews.txt', 'r') as f:
lines = f.readlines()
data = defaultdict(list)
for line in lines:
col,value = line.split(':')
data[col.strip()].append(value.strip())
df = pd.DataFrame(data)
print(df)
product/productId product/title product/price review/userId review/text
0 blah blah blue shirt unknown blah blah blah blah
1 blah blah pair of jeans unknown blah blah blah blah
关于python - 使用 Pandas 提高文本文件处理效率,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58278436/
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!