pandas 使用merge實現(xiàn)百倍加速的操作

更新時間：2021年04月07日 09:15:27 作者：shywang001

這篇文章主要介紹了pandas 使用merge實現(xiàn)百倍加速的操作，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

對于非連續(xù)數(shù)據(jù)集，數(shù)據(jù)可視化時候需要每七天一個采樣點。要求是選擇此前最新的數(shù)據(jù)作為當日的數(shù)據(jù)展示，譬如今天是2019-06-18，而數(shù)據(jù)集里只有2019-06-15，那就用2019-06-15的數(shù)據(jù)作為2019-06-18的數(shù)據(jù)去描點。

每七天一個采樣點，會使得每天展示所選的數(shù)據(jù)都會有所不同。當時間往后推移一天，日期為2019-06-19，那么最新數(shù)據(jù)點從2019-06-19開始，第二個就是2019-06-12。這里就需要一個算法來快速的根據(jù)當前日期去選出（填充）一系列數(shù)據(jù)供數(shù)據(jù)可視化之用。

一個非常直接的實現(xiàn)方法：

先生成一串目標時間序列，從某個開始日到今天為止，每七天一個日期。

把這些日期map到數(shù)據(jù)集的日期, Eg. {“2019-06-18”:“2019-06-15”…} 。

把map到的數(shù)據(jù)抽出來用pd.concat接起來。

代碼如下：

target_dates = pd.date_range(end=now, periods=100, freq="7D")
full_dates = pd.date_range(start, now).tolist()
org_dates = df.date.tolist()

last_date = None
for d in full_dates:
 if d in org_dates:
  date_map[d] = d
  last_date = d
 elif last_date is not None:
  date_map[d] = last_date
 else:
  continue
new_df = pd.DataFrame()
for td in target_dates:
 new_df = pd.concat（[new_df, df[df["date"]==date_map[td]]）

這樣的一個算法處理一個接近千萬量級的數(shù)據(jù)集上大概需要十多分鐘。仔細檢查發(fā)現(xiàn)，每一次合并的dataframe數(shù)據(jù)量并不小，而且總的操作次數(shù)達到上萬次。

所以就想如何避免高頻次地使用pd.concat去合并dataframe。

最終想到了一個巧妙的方法，只需要修改一下前面的第三步，把日期的map轉換成dataframe，然后和原始數(shù)據(jù)集做merge操作就可以了。

target_dates = pd.date_range(end=now, periods=100, freq="7D")
full_dates = pd.date_range(start, now).tolist()
org_dates = df.date.tolist()

last_date = None
for d in full_dates:
 if d in org_dates:
  date_map[d] = d
  last_date = d
 elif last_date is not None:
  date_map[d] = last_date
 else:
  continue
  
#### main change is from here #####
date_map_list = []
for td in target_dates:
 date_map_list.append({"target_date":td, "org_date":date_map[td]}) 
date_map_df = pd.DataFrame(date_map_list)
new_df = date_map_df.merge(df, left_on=["org_date"], right_on=["date"], how="inner")

改進之后，所有的循環(huán)操作都在一個微數(shù)量級上，最后一個merge操作得到了所有有用的數(shù)據(jù)，運行時間在5秒左右，大大提升了性能。

補充：Pandas DataFrames 中 merge 合并的坑點(出現(xiàn)重復連接鍵)

在我的實際開發(fā)中遇到的坑點，查閱了相關文檔總結一下

left = pd.DataFrame({'A': [1, 2], 'B': [2, 2]})

right = pd.DataFrame({'A': [4, 5, 6], 'B': [2, 2, 2]})

result = pd.merge(left, right, on='B', how='outer')

警告:在重復鍵上加入/合并可能導致返回的幀是行維度的乘法，這可能導致內(nèi)存溢出。在加入大型DataFrame之前，重復值。

檢查重復鍵

如果知道右側的重復項DataFrame但希望確保左側DataFrame中沒有重復項，則可以使用該 validate='one_to_many'參數(shù)，這不會引發(fā)異常。

pd.merge(left, right, on='B', how='outer', validate="one_to_many")
 
# 打印的結果:
 A_x B A_y
0 1 1 NaN
1 2 2 4.0
2 2 2 5.0
3 2 2 6.0

參數(shù)：

validate : str, optional
If specified, checks if merge is of specified type.

“one_to_one” or “1:1”: check if merge keys are unique in both left and right datasets.
“one_to_many” or “1:m”: check if merge keys are unique in left dataset.
“many_to_one” or “m:1”: check if merge keys are unique in right dataset.
“many_to_many” or “m:m”: allowed, but does not result in checks.

官方文檔連接：

Pandas文檔中提及 merge

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。

您可能感興趣的文章: