• 2018华晨宇鸟巢火星演唱会6.23强势抢滩火星“船票”华晨宇 火星 2019-10-17
  • 上海合作组织青岛峰会举行 习近平主持会议并发表重要讲话 2019-10-17
  • 大连征求党外人士对《政府工作报告》的意见建议 2019-10-15
  • 京华时报:责任制是推进信访法治化的关键 2019-10-15
  • 巴常驻联合国代表:上合组织为全球提供了一个促进共赢解决方案和互利合作的重要框架 2019-10-05
  • 周冬雨首演小护士 与李易峰再现荧幕情侣 2019-09-30
  • 中华龙舟如何奋楫争先?习近平这些话要牢记 2019-09-25
  • 2019年国际篮联篮球世界杯组委会召开第一次全体会议 2019-09-21
  • 20180531 袁隆平:海水稻打破纪录,杂交稻走向全球 2019-09-21
  • 蔡锷为何称“梁启超与杨度人各有志不相强”? 2019-09-19
  • 天津港保税区开展大气污染精细化管理 2019-09-19
  • 抓住了!云南文山脱逃嫌疑人七小时后在城内被抓获 2019-09-16
  • 警惕冒充公检法骗术:要求缴纳保证金换取清白 2019-09-16
  • 扬州园林中的美食与戏曲 2019-09-15
  • 中国佛教协会举办2018年佛诞节活动 2019-09-15
  • 您的位置 > 查吉林十一选五走势图 > CDA专访 > 媲美Pandas?告诉你Python的Datatable包到底怎么用

    吉林十一选五最大遗漏:媲美Pandas?告诉你Python的Datatable包到底怎么用

    查吉林十一选五走势图 www.fgxj.net 来源:CDA原创 | 2019-06-26 | 发布:经管之家




    作者 | Parul Pandey

    【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 ??槲饩稣飧鑫侍馓峁┝肆己玫闹С?,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 3.5pip 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 3.6pip 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



    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 Librariesimport numpy as npimport pandas as pdimport 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%%timedatatable_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??梢远寥?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。

    %%timepandas_df= pd.read_csv("data.csv")___________________________________________________________CPU times: user 47.5 s, sys: 12.1 s, total: 59.6 sWall 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:

    %%timedatatable_pandas = datatable_df.to_pandas()___________________________________________________________________CPU times: user 17.1 s, sys: 4 s, total: 21.1 sWall 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 namesprint(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)



    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%%timedatatable_df.mean()_______________________________________________________________CPU times: user 5.11 s, sys: 51.8 ms, total: 5.16 sWall 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。



    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']



    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]



    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:

    %%timedatatable_df.sort('funded_amnt_inv')_________________________________________________________________CPU times: user 534 ms, sys: 67.9 ms, total: 602 msWall time: 179 ms

    Pandas 排序%%timepandas_df.sort_values(by = 'funded_amnt_inv')___________________________________________________________________CPU times: user 8.76 s, sys: 2.87 s, total: 11.6 sWall 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%%timefor 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 sWall time: 2.42 s

    pandas 分组%%timefor i in range(100): pandas_df.groupby("grade")["funded_amnt"].sum()____________________________________________________________________CPU times: user 12.9 s, sys: 859 ms, total: 13.7 sWall 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郑在上面的例子中,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 ??榫哂懈斓闹葱兴俣?,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。

    译者 | linstancy

    责编 | Jane

    出品 | Python大本营(id:pythonnews)

    本文所涉及的代码可以从 Github 或 binder 上获?。?br/>
    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

    完 谢谢观看

    本文已经过优化显示,查看原文请点击以下链接:
    查看原文:https://www.cda.cn/view/27027.html
    京ICP备11001960号  京ICP证090565号 京公网安备1101084107号 论坛法律顾问:王进律师知识产权?;ど?/a>免责及隐私声明   主办单位:查吉林十一选五走势图 版权所有
    联系QQ:2881989700  邮箱:[email protected]
    合作咨询电话:(010)62719935 广告合作电话:13661292478(刘老师)

    投诉电话:(010)68466864 不良信息处理电话:(010)68466864
  • 2018华晨宇鸟巢火星演唱会6.23强势抢滩火星“船票”华晨宇 火星 2019-10-17
  • 上海合作组织青岛峰会举行 习近平主持会议并发表重要讲话 2019-10-17
  • 大连征求党外人士对《政府工作报告》的意见建议 2019-10-15
  • 京华时报:责任制是推进信访法治化的关键 2019-10-15
  • 巴常驻联合国代表:上合组织为全球提供了一个促进共赢解决方案和互利合作的重要框架 2019-10-05
  • 周冬雨首演小护士 与李易峰再现荧幕情侣 2019-09-30
  • 中华龙舟如何奋楫争先?习近平这些话要牢记 2019-09-25
  • 2019年国际篮联篮球世界杯组委会召开第一次全体会议 2019-09-21
  • 20180531 袁隆平:海水稻打破纪录,杂交稻走向全球 2019-09-21
  • 蔡锷为何称“梁启超与杨度人各有志不相强”? 2019-09-19
  • 天津港保税区开展大气污染精细化管理 2019-09-19
  • 抓住了!云南文山脱逃嫌疑人七小时后在城内被抓获 2019-09-16
  • 警惕冒充公检法骗术:要求缴纳保证金换取清白 2019-09-16
  • 扬州园林中的美食与戏曲 2019-09-15
  • 中国佛教协会举办2018年佛诞节活动 2019-09-15
  • 彩票大乐透 玩时时彩为什么玩不赢 北京十一选五遗漏任五排序 深圳六合图库大全 双色球杀兰公式技巧 湖北快三开奖结果查询今天 彩票统计分析软件 11选5怎么玩 海南环岛自行车赛彩票 米兰快乐五时时彩 重庆快乐十分彩计划 百变牛牛怎么玩 电竞宝 足彩预测分析 博彩票