在 数据分析 领域，最热门的莫过于 Python 和R语言，此前有一篇文章 《别老扯什么Hadoop了，你的数据根本不够大》 指出：只有在超过5TB数据量的规模下，Hadoop才是一个合理的技术选择。这次拿到近亿条日志数据，千万级数据已经是关系型数据库的查询分析瓶颈，之前使用过Hadoop对大量文本进行分类，这次决定采用Python来处理数据：
硬件环境 CPU：3.5 GHz Intel Core i7 内存：32 GB HDDR 3 1600 MHz 硬盘：3 TB Fusion Drive
数据分析工具 Python：2.7.6 Pandas：0.15.0 IPython notebook：2.0.0
源数据如下表所示：
Table Size Desc
ServiceLogs ServiceCodes
98,706,832 rows x 14 columns 286 rows × 8 columns
8.77 GB 20 KB
交易日志数据，每个交易会话可以有多条交易 交易分类的字典表

数据读取
启动IPython notebook，加载pylab环境：


1
ipython notebook — pylab = inline

Pandas提供了IO工具可以将大文件分块读取，测试了一下性能，完整加载9800万条数据也只需要263秒左右，还是相当不错了。



1
2
3
4
5
6
import pandas as pd
reader = pd . read_csv ( ‘data/servicelogs’ , iterator = True )
try :
df = reader . get_chunk ( 100000000 )
except StopIteration :
print “Iteration is stopped.”

1百万条 1千万条 1亿条
ServiceLogs
1 s
17 s
263 s

使用不同分块大小来读取再调用 pandas.concat 连接DataFrame，chunkSize设置在1000万条左右速度优化比较明显。


1
2
3
4
5
6
7
8
9
10
11
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 )

下面是统计数据，Read Time是数据读取时间，Total Time是读取和Pandas进行concat操作的时间，根据数据总量来看，对5~50个DataFrame对象进行合并，性能表现比较好。
Chunk Size Read Time (s) Total Time (s) Performance
100,000 224.418173 261.358521
200,000 232.076794 256.674154
1,000,000 213.128481 234.934142 √√
2,000,000 208.410618 230.006299 √√√
5,000,000 209.460829 230.939319 √√√
10,000,000 207.082081 228.135672 √√√√
20,000,000 209.628596 230.775713 √√√
50,000,000 222.910643 242.405967
100,000,000
263.574246
263.574246


如果使用Spark提供的Python Shell，同样编写Pandas加载数据，时间会短25秒左右，看来Spark对Python的内存使用都有优化。
数据清洗
Pandas提供了 DataFrame.describe 方法查看数据摘要，包括数据查看(默认共输出首尾60行数据)和行列统计。由于源数据通常包含一些空值甚至空列，会影响数据分析的时间和效率，在预览了数据摘要后，需要对这些无效数据进行处理。
首先调用 DataFrame.isnull() 方法查看数据表中哪些为空值，与它相反的方法是 DataFrame.notnull() ，Pandas会将表中所有数据进行null计算，以True/False作为结果进行填充，如下图所示：

Pandas的非空计算速度很快，9800万数据也只需要28.7秒。得到初步信息之后，可以对表中空列进行移除操作。尝试了按列名依次计算获取非空列，和 DataFrame.dropna() 两种方式，时间分别为367.0秒和345.3秒，但检查时发现 dropna() 之后所有的行都没有了，查了Pandas手册，原来不加参数的情况下， dropna() 会移除所有包含空值的行。如果只想移除全部为空值的列，需要加上 axis 和 how 两个参数：


1
df . dropna ( axis = 1 , how = ‘all’ )

共移除了14列中的6列，时间也只消耗了85.9秒。
接下来是处理剩余行中的空值，经过测试，在 DataFrame.replace() 中使用空字符串，要比默认的空值NaN节省一些空间;但对整个CSV文件来说，空列只是多存了一个“,”，所以移除的9800万 x 6列也只省下了200M的空间。进一步的数据清洗还是在移除无用数据和合并上。
对数据列的丢弃，除无效值和需求规定之外，一些表自身的冗余列也需要在这个环节清理，比如说表中的流水号是某两个字段拼接、类型描述等，通过对这些数据的丢弃，新的数据文件大小为4.73GB，足足减少了4.04G!
数据处理
使用 DataFrame.dtypes 可以查看每列的数据类型，Pandas默认可以读出int和float64，其它的都处理为object，需要转换格式的一般为日期时间。DataFrame.astype() 方法可对整个DataFrame或某一列进行数据格式转换，支持Python和NumPy的数据类型。


1
df [ ‘Name’ ] = df [ ‘Name’ ] . astype ( np . datetime64 )

对数据聚合，我测试了 DataFrame.groupby 和 DataFrame.pivot_table 以及 pandas.merge ，groupby 9800万行 x 3列的时间为99秒，连接表为26秒，生成透视表的速度更快，仅需5秒。


1
2
3
df . groupby ( [ ‘NO’ , ‘TIME’ , ‘SVID’ ] ) . count ( ) # 分组
fullData = pd . merge ( df , trancodeData ) [ [ ‘NO’ , ‘SVID’ , ‘TIME’ , ‘CLASS’ , ‘TYPE’ ] ] # 连接
actions = fullData . pivot_table ( ‘SVID’ , columns = ‘TYPE’ , aggfunc = ‘count’ ) # 透视表

根据透视表生成的交易/查询比例饼图：

将日志时间加入透视表并输出每天的交易/查询比例图：

1
2
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查询统计功能速度表现也非常优秀，7秒以内就可以查询生成所有类型为交易的数据子表：


1
tranData = fullData [ fullData [ ‘Type’ ] == ‘Transaction’ ]

该子表的大小为 [10250666 rows x 5 columns]。在此已经完成了数据处理的一些基本场景。实验结果足以说明，在非“>5TB”数据的情况下，Python的表现已经能让擅长使用统计分析语言的数据分析师游刃有余。 作者：陈加兴@rcfans_
来源：http://www.justinablog.com/archives/1357
本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流，内容版权归原作者所有，如涉作品、版权和其他问题请给「 我们 」留言处理。