媲美Pandas?一文入门Python的Datatable操作教程Python

印迹发布于:2019-9-26 1002

作者 | Parul Pandey

译者 | linstancy

责编 | Jane

出品 | Python大本营(id:pythonnews)

 【导读】工具包 datatable 的功能特征与 Pandas 非常类似,但更侧重于速度以及对大数据的支持。此外,datatable 还致力于实现更好的用户体验,提供有用的错误提示消息和强大的 API 功能。通过本文的介绍,你将学习到如何在大型数据集中使用 datatable 包进行数据处理,特别在数据量特别大的时候你可以发现它可能比 Pandas 更加强大。

 前言

 data.table 是 R 中一个非常通用和高性能的包,使用简单、方便而且速度快,在 R 语言社区非常受欢迎,每个月的下载量超过 40 万,有近 650 个 CRAN 和 Bioconductor 软件包使用它。如果你是 R 的使用者,可能已经使用过 data.table 包。

而对于 Python 用户,同样存在一个名为 datatable 包,专注于大数据支持、高性能内存/内存不足的数据集以及多线程算法等问题。 在某种程度上,datatable 可以被称为是 Python 中的 data.table。

 

Datatable初教程

为了能够更准确地构建模型,现在机器学习应用通常要处理大量的数据并生成多种特征,这已成为必要的。而 Python 的 datatable 模块为解决这个问题提供了良好的支持,以可能的最大速度在单节点机器上进行大数据操作 (最多100GB)。datatable 包的开发由 H2O.ai 赞助,它的第一个用户是 Driverless.ai。

接下来,我们就开始初体验一下 datatable 的简单使用。

安装

在 MacOS 系统上,datatable 包可以通过 pip 命令安装,如下图所示: 

pip install datatable

在 Linux 平台上,安装过程需要通过二进制分布来实现,如下所示:

# If you have Python 3.5    
pip install https://s3.amazonaws.com/h2o-release/datatable/stable/datatable-0.8.0/datatable-0.8.0-cp35-cp35m-linux_x86_64.whl    
# If you have Python 3.6    
pip install https://s3.amazonaws.com/h2o-release/datatable/stable/datatable-0.8.0/datatable-0.8.0-cp36-cp36m-linux_x86_64.whl

很遗憾的是,目前 datatable 包还不能在 Windows 系统上工作,但 Python 官方也在努力地增加其对 Windows 的支持。更多的信息可以查看 Build instructions 的说明。

地址:https://datatable.readthedocs.io/en/latest/install.html

640?wx_fmt=png

 数据读取

 这里使用的数据集是来自 Kaggle 竞赛中的 Lending Club Loan Data 数据集, 该数据集包含2007-2015期间所有贷款人完整的贷款数据,即当前贷款状态 (当前,延迟,全额支付等) 和最新支付信息等。整个文件共包含226万行和145列数据,数据量规模非常适合演示 datatable 包的功能。 

# Importing necessary Libraries	
import numpy as np	
import pandas as pd	
import datatable as dt

 首先将数据加载到 Frame 对象中,datatable 的基本分析单位是 Frame,这与Pandas DataFrame 或 SQL table 的概念是相同的:即数据以行和列的二维数组排列展示。

  • datatable 读取

%%time	datatable_df = dt.fread("data.csv")	
____________________________________________________________________	
CPU times: user 30 s, sys: 3.39 s, total: 33.4 s                                	
Wall time: 23.6 s

 如上图,fread() 是一个强大又快速的函数,能够自动检测并解析文本文件中大多数的参数,所支持的文件格式包括 .zip 文件、URL 数据,Excel 文件等等。此外,datatable 解析器具有如下几大功能:

  • 能够自动检测分隔符,标题,列类型,引用规则等。

  • 能够读取多种文件的数据,包括文件,URL,shell,原始文本,档案和 glob 等。

  • 提供多线程文件读取功能,以获得最大的速度。

  • 在读取大文件时包含进度指示器。

  • 可以读取 RFC4180 兼容和不兼容的文件。


  • pandas 读取

下面,使用 Pandas 包来读取相同的一批数据,并查看程序所运行的时间。

%%time	pandas_df= pd.read_csv("data.csv")	
___________________________________________________________	
CPU times: user 47.5 s, sys: 12.1 s, total: 59.6 s	
Wall time: 1min 4s

由上图可以看到,结果表明在读取大型数据时 datatable 包的性能明显优于 Pandas,Pandas 需要一分多钟时间来读取这些数据,而 datatable 只需要二十多秒。


帧转换 (Frame Conversion)

对于当前存在的帧,可以将其转换为一个 Numpy 或 Pandas dataframe 的形式,如下所示: 

numpy_df = datatable_df.to_numpy()	
pandas_df = datatable_df.to_pandas()

下面,将 datatable 读取的数据帧转换为 Pandas dataframe 形式,并比较所需的时间,如下所示:

%%time	datatable_pandas = datatable_df.to_pandas()	
___________________________________________________________________	
CPU times: user 17.1 s, sys: 4 s, total: 21.1 s	Wall time: 21.4 s

 看起来将文件作为一个 datatable frame 读取,然后将其转换为 Pandas dataframe比直接读取 Pandas dataframe 的方式所花费的时间更少。因此,通过 datatable 包导入大型的数据文件再将其转换为 Pandas dataframe 的做法是个不错的主意。

type(datatable_pandas)	
___________________________________________________________________	
pandas.core.frame.DataFrame

帧的基础属性

下面来介绍 datatable 中 frame 的一些基础属性,这与 Pandas 中 dataframe 的一些功能类似。

print(datatable_df.shape)       
# (nrows, ncols)	
print(datatable_df.names[:5])   
# top 5 column names	
print(datatable_df.stypes[:5])  
# column types(top 5)	
______________________________________________________________	
(2260668, 145)	('id', 'member_id', 'loan_amnt', 'funded_amnt', 'funded_amnt_inv')	
(stype.bool8, stype.bool8, stype.int32, stype.int32, stype.float64)

也可以通过使用 head 命令来打印出输出的前 n 行数据,如下所示:

datatable_df.head(10)

640?wx_fmt=png

注意:这里用颜色来指代数据的类型,其中红色表示字符串,绿色表示整型,而蓝色代表浮点型。

统计总结

在 Pandas 中,总结并计算数据的统计信息是一个非常消耗内存的过程,但这个过程在 datatable 包中是很方便的。如下所示,使用 datatable 包计算以下每列的统计信息:

datatable_df.sum()      
datatable_df.nunique()	
datatable_df.sd()       
datatable_df.max()	
datatable_df.mode()    
datatable_df.min()	
datatable_df.nmodal()   
datatable_df.mean()

下面分别使用 datatable 和Pandas 来计算每列数据的均值,并比较二者运行时间的差异。

  • datatable 读取

%%time	datatable_df.mean()	
_______________________________________________________________	
CPU times: user 5.11 s, sys: 51.8 ms, total: 5.16 s	
Wall time: 1.43 s
  • Pandas 读取

pandas_df.mean()	
__________________________________________________________________	
Throws memory error.

可以看到,使用 Pandas 计算时抛出内存错误的异常。

数据操作

和 dataframe 一样,datatable 也是柱状数据结构。在 datatable 中,所有这些操作的主要工具是方括号,其灵感来自传统的矩阵索引,但它包含更多的功能。诸如矩阵索引,C/C++,R,Pandas,Numpy 中都使用相同的 DT[i,j] 的数学表示法。下面来看看如何使用 datatable 来进行一些常见的数据处理工作。

 

640?wx_fmt=png

选择行/列的子集

下面的代码能够从整个数据集中筛选出所有行及 funded_amnt 列:

datatable_df[:,'funded_amnt']

640?wx_fmt=png

这里展示的是如何选择数据集中前5行3列的数据,如下所示: 

datatable_df[:5,:3]

640?wx_fmt=png

帧排序

  • datatable 排序

在 datatable 中通过特定的列来对帧进行排序操作,如下所示: 

%%time	datatable_df.sort('funded_amnt_inv')	
_________________________________________________________________	
CPU times: user 534 ms, sys: 67.9 ms, total: 602 ms	
Wall time: 179 ms
  • Pandas 排序

%%time	pandas_df.sort_values(by = 'funded_amnt_inv')	
___________________________________________________________________	
CPU times: user 8.76 s, sys: 2.87 s, total: 11.6 s	
Wall time: 12.4 s

可以看到两种包在排序时间方面存在明显的差异。

删除行/列

下面展示如何删除 member_id 这一列的数据:

del datatable_df[:, 'member_id']

分组 (GroupBy)

与 Pandas 类似,datatable 同样具有分组 (GroupBy) 操作。下面来看看如何在 datatable 和 Pandas 中,通过对 grade 分组来得到 funded_amout 列的均值:

  • datatable 分组

%%time	for i in range(100):	
datatable_df[:, dt.sum(dt.f.funded_amnt), dt.by(dt.f.grade)]	
____________________________________________________________________	
CPU times: user 6.41 s, sys: 1.34 s, total: 7.76 s	
Wall time: 2.42 s
  • pandas 分组

%%time	for i in range(100):	
pandas_df.groupby("grade")["funded_amnt"].sum()	
____________________________________________________________________	
CPU times: user 12.9 s, sys: 859 ms, total: 13.7 s	
Wall time: 13.9 s

.f 代表什么

在 datatable 中,f 代表 frame_proxy,它提供一种简单的方式来引用当前正在操作的帧。在上面的例子中,dt.f 只代表 dt_df。

过滤行

在 datatable 中,过滤行的语法与GroupBy的语法非常相似。下面就来展示如何过滤掉 loan_amnt 中大于 funding_amnt 的值,如下所示。 

datatable_df[dt.f.loan_amnt>dt.f.funded_amnt,"loan_amnt"]

保存帧

在 datatable 中,同样可以通过将帧的内容写入一个 csv 文件来保存,以便日后使用。如下所示:

datatable_df.to_csv('output.csv')

有关数据操作的更多功能,可查看 datatable 包的说明文档

地址:https://datatable.readthedocs.io/en/latest/using-datatable.html

总结

在数据科学领域,与默认的 Pandas 包相比,datatable 模块具有更快的执行速度,这是其在处理大型数据集时的一大优势所在。 然而,就功能而言,目前 datatable 包所包含的功能还不如 pandas 完善。相信在不久的将来,不断完善的 datatable 能够更加强大。

本文所涉及的代码可以从 Github 或 binder 上获取:

Github 地址:https://github.com/parulnith/An-Overview-of-Python-s-Datatable-package)

binder 地址:

https://mybinder.org/v2/gh/parulnith/An-Overview-of-Python-s-Datatable-package/master?filepath=An%20Overview%20of%20Python%27s%20Datatable%20package.ipynb

原文链接:

https://towardsdatascience.com/an-overview-of-pythons-datatable-package-5d3a97394ee9


http://www.virplus.com/thread-353.htm

转载请注明:2019-9-26 于 VirPlus 发表

推荐阅读
最新回复 (0)

    ( 登录 ) 后,可以发表评论!

    返回