利用pandas进行大文件计数处理 利用pandas进行大文件计数处理的方法
CaspianR 人气:1Pandas读取大文件
要处理的是由探测器读出的脉冲信号,一组数据为两列,一列为时间,一列为脉冲能量,数据量在千万级,为了有一个直接的认识,先使用Pandas读取一些
import pandas as pd data = pd.read_table('filename.txt', iterator=True) chunk = data.get_chunk(5)
而输出是这样的:
Out[4]: 332.977889999979 -0.0164794921875 0 332.97790 -0.022278 1 332.97791 -0.026855 2 332.97792 -0.030518 3 332.97793 -0.045776 4 332.97794 -0.032654
DataFram基本用法
这里,data只是个容器,pandas.io.parsers.TextFileReader。
使用astype可以实现dataframe字段类型转换
输出数据中,每组数据会多处一行,因为get_chunk返回的是pandas.core.frame.DataFrame格式, 而data在读取过程中并没有指定DataFrame的columns,因此在get_chunk过程中,默认将第一组数据作为columns。因此需要在读取过程中指定names即DataFrame的columns。
import pandas as pd data = pd.read_table('filename.txt', iterator=True, names=['time', 'energe']) chunk = data.get_chunk(5) data['energe'] = df['energe'].astype('int')
输出为
Out[6]:
index | time | energe |
---|---|---|
0 | 332.97789 | -0.016479 |
1 | 332.97790 | -0.022278 |
2 | 332.97791 | -0.026855 |
3 | 332.97792 | -0.030518 |
4 | 332.97793 | -0.045776 |
DataFram存储和索引
这里讲一下DataFrame这个格式,与一般二维数据不同(二维列表等),DataFrame既有行索引又有列索引,因此在建立一个DataFrame数据是
DataFrame(data, columns=[‘year', ‘month', ‘day'], index=[‘one', ‘two', ‘three'])
year | month | day | |
---|---|---|---|
0 | 2010 | 4 | 1 |
1 | 2011 | 5 | 2 |
2 | 2012 | 6 | 3 |
3 | 2013 | 7 | 5 |
4 | 2014 | 8 | 9 |
而pd.read_table中的names就是指定DataFrame的columns,而index自动设置。 而DataFrame的索引格式有很多
类型 | 说明 | 例子 |
---|---|---|
obj[val] | 选取单列或者一组列 | |
obj.ix[val] | 选取单个行或者一组行 | |
obj.ix[:,val] | 选取单个列或列子集 | |
obj.ix[val1, val2] | 同时选取行和列 | |
reindex方法 | 将一个或多个轴匹配到新索引 | |
xs方法 | 根据标签选取单行或单列,返回一个Series | |
icol,lrow方法 | 根据整数位置选取单列或单行,返回一个Series | |
get_value,set_value | 根据行标签列标签选取单个值 |
exp: In[1]:data[:2]
Out[2]:
year | month | day | |
---|---|---|---|
0 | 2010 | 4 | 1 |
1 | 2011 | 5 | 2 |
In[2]:data[data[‘month']>5]
Out[2]:
year | month | day | |
---|---|---|---|
2 | 2012 | 6 | 3 |
4 | 2014 | 8 | 9 |
如果我们直接把data拿来比较的话,相当于data中所有的标量元素
In[3]:data[data<6]=0
Out[3]:
year | month | day | |
---|---|---|---|
0 | 2010 | 0 | 0 |
1 | 2011 | 0 | 0 |
2 | 2012 | 6 | 0 |
3 | 2013 | 7 | 0 |
4 | 2014 | 8 | 9 |
Pandas运算
series = data.ix[0] data - series
Out:
year | month | day | |
---|---|---|---|
0 | 0 | 0 | 0 |
1 | 1 | 1 | 1 |
2 | 2 | 2 | 2 |
3 | 3 | 3 | 4 |
4 | 4 | 4 | 8 |
DataFrame与Series之间运算会将Series索引匹配到DataFrame的列,然后沿行一直向下广播
如果令series1 = data[‘year']
data.sub(series1,axis=0)
则每一列都减去该series1,axis为希望匹配的轴,=0行索引,即匹配列,=1列索引,则按行匹配。
DataFrame的一些函数方法
这个就有很多了,比如排序和排名;求和、平均数以及方差、协方差等数学方法;还有就是唯一值(类似于集合)、值计数和成员资格等方法。
当然还有一些更高级的属性,用的时候再看吧
数据处理
在得到数据样式后我们先一次性读取数据
start = time.time() data = pd.read_table('Eu155_Na22_K40_MR_0CM_3Min.csv', names=['time', 'energe']) end = time.time() data.index print("The time is %f s" % (end - start)) plus = data['energe'] plus[plus < 0] = 0
The time is 29.403917 s RangeIndex(start=0, stop=68319232, step=1)
对于一个2G大小,千万级的数据,这个读取速度还是挺快的。之前使用matlab load用时160多s,但是不知道这个是否把数据完全读取了。然后只抽取脉冲信号,将负值归0,因为会出现一定的电子噪声从而产生一定负值。
然后就需要定位脉冲信号中的能峰了,也就是findpeaks
这里用到了scipy.signal中的find_peaks_cwt,具体用法可以参见官方文档
peaks = signal.find_peaks_cwt(pluse, np.arange(1, 10)),它返回找到的peaks的位置,输入第一个为数据,第二个为窗函数,也就是在这个宽度的能窗内寻找峰,我是这样理解的。刚开始以为是数据的另一维坐标,结果找了半天没结果。不过事实上这个找的确定也挺慢的。
50w条的数据,找了足足7分钟,我这一个数据3000w条不得找半个多小时,而各种数据有好几十,恩。。这样是不行的,于是想到了并行的方法。这个下篇文章会讲到,也就是把数据按照chunksize读取,然后同时交给(map)几个进程同时寻峰,寻完后返回(reduce)一起计数,计数的同时,子进程再此寻峰。
在处理的时候碰到我自己的破 笔记本由于内存原因不能load这个数据,并且想着每次copy这么大数据好麻烦,就把一个整体数据文件分割成了几个部分,先对方法进行一定的实验,时间快,比较方便。
import pandas as pd def split_file(filename, size): name = filename.split('.')[0] data = pd.read_table(filename, chunksize=size, names=['time', 'intension']) i = 1 for piece in data: outname = name + str(i) + '.csv' piece.to_csv(outname, index=False, names = ['time', 'intension']) i += 1 def split_csvfile(filename, size): name = filename.split('.')[0] data = pd.read_csv(filename, chunksize=size, names=['time', 'intension']) i = 1 for piece in data: outname = name + str(i) + '.csv' piece = piece['intension'] piece.to_csv(outname, index=False) i += 1
额..使用并行寻峰通过map/reduce的思想来解决提升效率这个想法,很早就实现了,但是,由于效果不是特别理想,所以放那也就忘了,今天整理代码来看了下当时记的些笔记,然后竟然发现有个评论…..我唯一收到的评论竟然是“催稿”=。=。想一想还是把下面的工作记录下来,免得自己后来完全忘记了。
rom scipy import signal import os import time import pandas as pd import numpy as np from multiprocessing import Pool import matplotlib.pylab as plt from functools import partial def findpeak(pluse): pluse[pluse < 0.05] = 0 print('Sub process %s.' % os.getpid()) start = time.time() peaks = signal.find_peaks_cwt(pluse, np.arange(1, 10)) # 返回一个列表 end = time.time() print("The time is %f s" % (end - start)) pks = [pluse[x] for x in peaks] return pks def histcnt(pks, edge=None, channel=None): cnt = plt.hist(pks, edge) res = pd.DataFrame(cnt[0], index=channel, columns=['cnt']) return res if __name__ == '__main__': with Pool(processes=8) as p: start = time.time() print('Parent process %s.' % os.getpid()) pluse = pd.read_csv('data/samples.csv', chunksize=50000, names=['time', 'energe']) channel = pd.read_csv('data/channels.txt', names=['value']) edges = channel * 2 edges = pd.DataFrame({'value': [0]}).append(edges, ignore_index=True) specal = [] for data in pluse: total = p.apply_async(findpeak, (data['energe'],), callback=partial(histcnt, edge=edges['value'], channel=channel['value'])) specal.append(total) print('Waiting for all subprocesses done...') p.close() p.join() print('All subprocesses done.') spec = sum(specal) plt.figure() plt.plot(spec['cnt']) spec.to_csv('data/spec1.csv', header=False) print('every is OK') end = time.time() print("The time is %f s" % (end - start))
由于对对进程线程的编程不是很了解,其中走了很多弯路,尝试了很多方法也,这个是最终效果相对较好的。
首先,通过 pd.readtable以chunksize=50000分块读取,edges为hist过程中的下统计box。
然后,apply_async为非阻塞调用findpeak,然后将结果返回给回调函数histcnt,但是由于回调函数除了进程返回结果还有额外的参数,因此使用partial,对特定的参数赋予固定的值(edge和channel)并返回了一个全新的可调用对象,这个新的可调用对象仍然需要通过制定那些未被赋值的参数(findpeak返回的值)来调用。这个新的课调用对象将传递给partial()的固定参数结合起来,同一将所有参数传递给原始函数(histcnt)。(至于为啥不在histcnt中确定那两个参数,主要是为了避免一直打开文件。。当然,有更好的办法只是懒得思考=。=),还有个原因就是,apply_async返回的是一个对象,需要通过该对象的get方法才能获取值。。
对于 apply_async官方上是这样解释的
Apply_async((func[, args[, kwds[, callback[, error_callback]]]])),apply()方法的一个变体,返回一个结果对象
如果指定回调,那么它应该是一个可调用的接受一个参数。结果准备好回调时,除非调用失败,在这种情况下,应用error_callback代替。
如果error_callback被指定,那么它应该是一个可调用的接受一个参数。如果目标函数失败,那么error_callback叫做除了实例。
回调应立即完成以来,否则线程处理结果将被封锁。
不使用回调函数的版本如下,即先将所有子进程得到的数据都存入peaks列表中,然后所有进程完毕后在进行统计计数。
import pandas as pd import time import scipy.signal as signal import numpy as np from multiprocessing import Pool import os import matplotlib.pyplot as plt def findpeak(pluse): pluse[pluse < 0] = 0 pluse[pluse > 100] = 0 print('Sub process %s.' % os.getpid()) start = time.time() peaks = signal.find_peaks_cwt(pluse, np.arange(1, 10)) end = time.time() print("The time is %f s" % (end - start)) res = [pluse[x] for x in peaks] return res if __name__ == '__main__': with Pool(processes=8) as p: start = time.time() print('Parent process %s.' % os.getpid()) pluse = pd.read_csv('data/sample.csv', chunksize=200000, names=['time', 'energe']) pks = [] for data in pluse: pks.append(p.apply_async(findpeak, (data['energe'],))) print('Waiting for all subprocesses done...') p.close() p.join() print('All subprocesses done.') peaks = [] for i, ele in enumerate(pks): peaks.extend(ele.get()) peaks = pd.DataFrame(peaks, columns=['energe']) peaks.to_csv('peaks.csv', index=False, header=False, chunksize=50000) channel = pd.read_csv('data/channels.txt', names=['value']) channel *= 2 channel = pd.DataFrame({'value': [0]}).append(channel, ignore_index=True) plt.figure() spec = plt.hist(peaks['energe'], channel['value']) # out.plot.hist(bins=1024) # print(out) # cnt = peaks.value_counts(bins=1024) # cnt.to_csv('data/cnt.csv', index=False, header=False) print('every is OK') end = time.time() print("The time is %f s" % (end - start))
以上这篇利用pandas进行大文件计数处理的方法就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
加载全部内容