在數(shù)據(jù)分析領(lǐng)域，最熱門的莫過于Python和R語言，此前有一篇文章《別老扯什么Hadoop了，你的數(shù)據(jù)根本不夠大》指出：只有在超過5TB數(shù)據(jù)量的規(guī)模下，Hadoop才是一個合理的技術(shù)選擇。這次拿到近億條日志數(shù)據(jù)，千萬級數(shù)據(jù)已經(jīng)是關(guān)系型數(shù)據(jù)庫的查詢分析瓶頸，之前使用過Hadoop對大量文本進(jìn)行分類，這次決定采用Python來處理數(shù)據(jù)：

硬件環(huán)境

• CPU：3.5 GHz Intel Core i7
• 內(nèi)存：32 GB HDDR 3 1600 MHz
• 硬盤：3 TB Fusion Drive
  

數(shù)據(jù)分析工具

• Python：2.7.6
• Pandas：0.15.0
• IPython notebook：2.0.0
  

源數(shù)據(jù)如下表所示：

數(shù)據(jù)讀取

啟動IPython notebook，加載pylab環(huán)境：

ipython notebook --pylab=inline

Pandas提供了IO工具可以將大文件分塊讀取，測試了一下性能，完整加載9800萬條數(shù)據(jù)也只需要263秒左右，還是相當(dāng)不錯了。

import pandas as pd
reader = pd.read_csv('data/servicelogs', iterator=True)
try:
  df = reader.get_chunk(100000000)
except StopIteration:
  print "Iteration is stopped."

使用不同分塊大小來讀取再調(diào)用pandas.concat連接DataFrame，chunkSize設(shè)置在1000萬條左右速度優(yōu)化比較明顯。

loop = True
chunkSize = 100000
chunks = []
while loop:
  try:
    chunk = reader.get_chunk(chunkSize)
    chunks.append(chunk)
  except StopIteration:
    loop = False
    print "Iteration is stopped."
df = pd.concat(chunks, ignore_index=True)

下面是統(tǒng)計數(shù)據(jù)，Read Time是數(shù)據(jù)讀取時間，Total Time是讀取和Pandas進(jìn)行concat操作的時間，根據(jù)數(shù)據(jù)總量來看，對5~50個DataFrame對象進(jìn)行合并，性能表現(xiàn)比較好。

Chunk Size Read Time (s) Total Time (s) Performance100,000224.418173261.358521200,000232.076794256.6741541,000,000213.128481234.934142√√2,000,000208.410618230.006299√√√5,000,000209.460829230.939319√√√10,000,000207.082081228.135672√√√√20,000,000209.628596230.775713√√√50,000,000222.910643242.405967100,000,000263.574246263.574246

如果使用Spark提供的Python Shell，同樣編寫Pandas加載數(shù)據(jù)，時間會短25秒左右，看來Spark對Python的內(nèi)存使用都有優(yōu)化。

數(shù)據(jù)清洗

Pandas提供了DataFrame.describe方法查看數(shù)據(jù)摘要，包括數(shù)據(jù)查看（默認(rèn)共輸出首尾60行數(shù)據(jù)）和行列統(tǒng)計。由于源數(shù)據(jù)通常包含一些空值甚至空列，會影響數(shù)據(jù)分析的時間和效率，在預(yù)覽了數(shù)據(jù)摘要后，需要對這些無效數(shù)據(jù)進(jìn)行處理。

首先調(diào)用DataFrame.isnull()方法查看數(shù)據(jù)表中哪些為空值，與它相反的方法是DataFrame.notnull()，Pandas會將表中所有數(shù)據(jù)進(jìn)行null計算，以True/False作為結(jié)果進(jìn)行填充，如下圖所示：

Pandas的非空計算速度很快，9800萬數(shù)據(jù)也只需要28.7秒。得到初步信息之后，可以對表中空列進(jìn)行移除操作。嘗試了按列名依次計算獲取非空列，和DataFrame.dropna()兩種方式，時間分別為367.0秒和345.3秒，但檢查時發(fā)現(xiàn) dropna() 之后所有的行都沒有了，查了Pandas手冊，原來不加參數(shù)的情況下， dropna() 會移除所有包含空值的行。如果只想移除全部為空值的列，需要加上 axis 和 how 兩個參數(shù)：

df.dropna(axis=1, how='all')

共移除了14列中的6列，時間也只消耗了85.9秒。

接下來是處理剩余行中的空值，經(jīng)過測試，在DataFrame.replace()中使用空字符串，要比默認(rèn)的空值NaN節(jié)省一些空間；但對整個CSV文件來說，空列只是多存了一個“,”，所以移除的9800萬 x 6列也只省下了200M的空間。進(jìn)一步的數(shù)據(jù)清洗還是在移除無用數(shù)據(jù)和合并上。

對數(shù)據(jù)列的丟棄，除無效值和需求規(guī)定之外，一些表自身的冗余列也需要在這個環(huán)節(jié)清理，比如說表中的流水號是某兩個字段拼接、類型描述等，通過對這些數(shù)據(jù)的丟棄，新的數(shù)據(jù)文件大小為4.73GB，足足減少了4.04G！

數(shù)據(jù)處理

使用DataFrame.dtypes可以查看每列的數(shù)據(jù)類型，Pandas默認(rèn)可以讀出int和float64，其它的都處理為object，需要轉(zhuǎn)換格式的一般為日期時間。DataFrame.astype()方法可對整個DataFrame或某一列進(jìn)行數(shù)據(jù)格式轉(zhuǎn)換，支持Python和NumPy的數(shù)據(jù)類型。

df['Name'] = df['Name'].astype(np.datetime64)

對數(shù)據(jù)聚合，我測試了 DataFrame.groupby 和 DataFrame.pivot_table 以及 pandas.merge ，groupby 9800萬行 x 3列的時間為99秒，連接表為26秒，生成透視表的速度更快，僅需5秒。

df.groupby(['NO','TIME','SVID']).count() # 分組
fullData = pd.merge(df, trancodeData)[['NO','SVID','TIME','CLASS','TYPE']] # 連接
actions = fullData.pivot_table('SVID', columns='TYPE', aggfunc='count') # 透視表

根據(jù)透視表生成的交易/查詢比例餅圖：

將日志時間加入透視表并輸出每天的交易/查詢比例圖：

total_actions = fullData.pivot_table('SVID', index='TIME', columns='TYPE', aggfunc='count')
total_actions.plot(subplots=False, figsize=(18,6), kind='area')

除此之外，Pandas提供的DataFrame查詢統(tǒng)計功能速度表現(xiàn)也非常優(yōu)秀，7秒以內(nèi)就可以查詢生成所有類型為交易的數(shù)據(jù)子表：

tranData = fullData[fullData['Type'] == 'Transaction']

該子表的大小為[10250666 rows x 5 columns]。在此已經(jīng)完成了數(shù)據(jù)處理的一些基本場景。實驗結(jié)果足以說明，在非“>5TB”數(shù)據(jù)的情況下，Python的表現(xiàn)已經(jīng)能讓擅長使用統(tǒng)計分析語言的數(shù)據(jù)分析師游刃有余。

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評論