使用熊猫的“大数据”工作流程

在学习熊猫的过程中，我试图迷惑了这个问题很多月。我在日常工作中使用SAS，这非常有用，因为它提供了核心支持。但是，由于许多其他原因，SAS作为一个软件也是很糟糕的。

有一天，我希望用python和pandas取代我对SAS的使用，但是我目前缺少大型数据集的核心工作流程。我不是在谈论需要分布式网络的“大数据”，而是文件太大而无法容纳在内存中，但文件又足够小而无法容纳在硬盘上。

我的第一个想法是用来HDFStore将大型数据集保存在磁盘上，然后仅将需要的部分拉入数据帧中进行分析。其他人提到MongoDB是更易于使用的替代方案。我的问题是这样的：

什么是实现以下目标的最佳实践工作流：

1. 将平面文件加载到永久的磁盘数据库结构中
2. 查询该数据库以检索要输入到熊猫数据结构中的数据
3. 处理熊猫中的片段后更新数据库

现实世界中的示例将不胜感激，尤其是那些从“大数据”中使用熊猫的人。

编辑-我希望如何工作的示例：

1. 迭代地导入一个大的平面文件，并将其存储在永久的磁盘数据库结构中。这些文件通常太大而无法容纳在内存中。
2. 为了使用Pandas，我想读取这些数据的子集（通常一次只读取几列），使其适合内存。
3. 我将通过对所选列执行各种操作来创建新列。
4. 然后，我将不得不将这些新列添加到数据库结构中。

我正在尝试找到执行这些步骤的最佳实践方法。阅读有关熊猫和pytables的链接，似乎添加一个新列可能是个问题。

编辑-专门回答杰夫的问题：

1. 我正在建立消费者信用风险模型。数据类型包括电话，SSN和地址特征；财产价值；犯罪记录，破产等贬义信息。我每天使用的数据集平均有近1,000到2,000个字段，这些字段是混合数据类型：数字和字符数据的连续，名义和有序变量。我很少追加行，但是我确实执行许多创建新列的操作。
2. 典型的操作涉及使用条件逻辑将几个列合并到一个新的复合列中。例如，if var1 > 2 then newvar = 'A' elif var2 = 4 then newvar = 'B'。这些操作的结果是数据集中每个记录的新列。
3. 最后，我想将这些新列添加到磁盘数据结构中。我将重复步骤2，使用交叉表和描述性统计数据探索数据，以寻找有趣的直观关系进行建模。
4. 一个典型的项目文件通常约为1GB。文件组织成这样的方式，其中一行包含消费者数据记录。每条记录的每一行都有相同的列数。情况总是如此。
5. 创建新列时，我会按行进行子集化是非常罕见的。但是，在创建报告或生成描述性统计信息时，对行进行子集化是很常见的。例如，我可能想为特定业务创建一个简单的频率，例如零售信用卡。为此，除了我要报告的任何列之外，我将只选择那些业务线=零售的记录。但是，在创建新列时，我将拉出所有数据行，而仅提取操作所需的列。
6. 建模过程要求我分析每一列，寻找与某些结果变量有关的有趣关系，并创建描述这些关系的新复合列。我探索的列通常以小集合形式完成。例如，我将集中讨论一组20个仅涉及属性值的列，并观察它们与贷款违约的关系。一旦探索了这些列并创建了新的列，我便转到另一组列，例如大学学历，并重复该过程。我正在做的是创建候选变量，这些变量解释我的数据和某些结果之间的关系。在此过程的最后，我应用了一些学习技术，这些技术可以根据这些复合列创建方程。

我很少向数据集添加行。我几乎总是会创建新列（统计/机器学习术语中的变量或功能）。

我通常以这种方式使用数十GB的数据，例如，我在磁盘上有一些表，这些表是通过查询读取，创建数据并追加回去的。

值得阅读文档以及该线程的后期内容，以获取有关如何存储数据的一些建议。

将影响您存储数据方式的详细信息，例如：
尽可能多地提供详细信息；我可以帮助您建立结构。

1. 数据大小，行数，列数，列类型；您要追加行还是仅追加列？
2. 典型的操作将是什么样的。例如，对列进行查询以选择一堆行和特定的列，然后执行一个操作（在内存中），创建新列并保存。
   （提供一个玩具示例可以使我们提供更具体的建议。）
3. 处理完之后，您该怎么办？步骤2是临时的还是可重复的？
4. 输入平面文件：大约总大小（以Gb为单位）。这些是如何组织的，例如通过记录？每个文件都包含不同的字段，还是每个文件都有一些记录，每个文件中都有所有字段？
5. 您是否曾经根据条件选择行（记录）的子集（例如，选择字段A> 5的行）？然后执行某项操作，还是只选择包含所有记录的A，B，C字段（然后执行某项操作）？
6. 您是否“工作”所有列（成组），还是只用于报告的比例很高（例如，您想保留数据，但无需明确地拉入该列，直到最终结果时间）？

解

确保至少0.10.1安装了熊猫。

逐块读取迭代文件和多个表查询。

由于pytables已优化为按行操作（这是您要查询的内容），因此我们将为每组字段创建一个表。这样一来，很容易选择一小组字段（它将与一个大表一起使用，但是这样做更有效。我想我将来可能会解决此限制。这是更加直观）：（
以下是伪代码。）

import numpy as np
import pandas as pd

# create a store
store = pd.HDFStore('mystore.h5')

# this is the key to your storage:
#    this maps your fields to a specific group, and defines 
#    what you want to have as data_columns.
#    you might want to create a nice class wrapping this
#    (as you will want to have this map and its inversion)  
group_map = dict(
    A = dict(fields = ['field_1','field_2',.....], dc = ['field_1',....,'field_5']),
    B = dict(fields = ['field_10',......        ], dc = ['field_10']),
    .....
    REPORTING_ONLY = dict(fields = ['field_1000','field_1001',...], dc = []),

)

group_map_inverted = dict()
for g, v in group_map.items():
    group_map_inverted.update(dict([ (f,g) for f in v['fields'] ]))

读入文件并创建存储（基本上是做什么append_to_multiple）：

for f in files:
   # read in the file, additional options may be necessary here
   # the chunksize is not strictly necessary, you may be able to slurp each 
   # file into memory in which case just eliminate this part of the loop 
   # (you can also change chunksize if necessary)
   for chunk in pd.read_table(f, chunksize=50000):
       # we are going to append to each table by group
       # we are not going to create indexes at this time
       # but we *ARE* going to create (some) data_columns

       # figure out the field groupings
       for g, v in group_map.items():
             # create the frame for this group
             frame = chunk.reindex(columns = v['fields'], copy = False)    

             # append it
             store.append(g, frame, index=False, data_columns = v['dc'])

现在，您已将所有表存储在文件中（实际上，您可以根据需要将它们存储在单独的文件中，您可能需要将文件名添加到group_map中，但这可能不是必需的）。

这是获取列并创建新列的方式：

frame = store.select(group_that_I_want)
# you can optionally specify:
# columns = a list of the columns IN THAT GROUP (if you wanted to
#     select only say 3 out of the 20 columns in this sub-table)
# and a where clause if you want a subset of the rows

# do calculations on this frame
new_frame = cool_function_on_frame(frame)

# to 'add columns', create a new group (you probably want to
# limit the columns in this new_group to be only NEW ones
# (e.g. so you don't overlap from the other tables)
# add this info to the group_map
store.append(new_group, new_frame.reindex(columns = new_columns_created, copy = False), data_columns = new_columns_created)

准备进行后期处理时：

# This may be a bit tricky; and depends what you are actually doing.
# I may need to modify this function to be a bit more general:
report_data = store.select_as_multiple([groups_1,groups_2,.....], where =['field_1>0', 'field_1000=foo'], selector = group_1)

关于data_columns，实际上不需要定义任何 data_columns。它们使您可以根据列来子选择行。例如：

store.select(group, where = ['field_1000=foo', 'field_1001>0'])

在最后的报告生成阶段，它们可能对您来说最有趣（实际上，数据列与其他列是分开的，如果定义太多，这可能会影响效率）。

您可能还想：

• 创建一个使用字段列表的函数，在groups_map中查找组，然后选择它们并连接结果，以便获得结果框架（本质上就是select_as_multiple所做的事情）。这样，结构对您将非常透明。
• 在某些数据列上建立索引（使行子设置快得多）。
• 启用压缩。

如有疑问，请告诉我！

我认为以上答案都缺少一种我发现非常有用的简单方法。

当我的文件太大而无法加载到内存中时，我将该文件分成多个较小的文件（按行或列）

示例：如果有30天的〜30GB大小的交易数据值得每天将其拆分为一个〜1GB大小的文件。随后，我分别处理每个文件，并在最后汇总结果

最大的优势之一是它允许并行处理文件（多个线程或多个进程）

另一个优点是文件操作（如示例中的添加/删除日期）可以通过常规的shell命令完成，而在更高级/更复杂的文件格式中则无法实现

这种方法无法涵盖所有​​情况，但在许多情况下非常有用

问题提出两年后，现在出现了一个“核心外”熊猫：dask。太好了！尽管它不支持所有熊猫功能，但您可以真正做到这一点。

如果您的数据集介于1到20GB之间，则应该获得具有48GB RAM的工作站。然后，熊猫可以将整个数据集保存在RAM中。我知道这不是您在这里寻找的答案，但是在具有4GB RAM的笔记本电脑上进行科学计算是不合理的。

我知道这是一个旧线程，但是我认为Blaze库值得一试。它是针对此类情况而构建的。

从文档：

Blaze将NumPy和Pandas的可用性扩展到分布式和核外计算。Blaze提供了类似于NumPy ND-Array或Pandas DataFrame的接口，但是将这些熟悉的接口映射到了其他各种计算引擎上，例如Postgres或Spark。

编辑：顺便说一下，它由ContinuumIO和NumPy的作者Travis Oliphant支持。

pymongo就是这种情况。我还使用python中的sql server，sqlite，HDF，ORM（SQLAlchemy）进行了原型设计。首要的pymongo是基于文档的数据库，因此每个人都是（dict具有属性的）文档。很多人组成一个集合，您可以有很多集合（人，股票市场，收入）。

pd.dateframe-> pymongo注意：我使用chunksizein read_csv使其保持5到10k记录（如果较大，pymongo会删除套接字）

aCollection.insert((a[1].to_dict() for a in df.iterrows()))

查询：gt =大于...

pd.DataFrame(list(mongoCollection.find({'anAttribute':{'$gt':2887000, '$lt':2889000}})))

.find()返回一个迭代器，因此我通常将ichunked其切成更小的迭代器。

由于我通常可以将10个数据源粘贴在一起，因此如何进行联接：

aJoinDF = pandas.DataFrame(list(mongoCollection.find({'anAttribute':{'$in':Att_Keys}})))

然后（就我而言，有时我必须aJoinDF先进行“可合并”操作）。

df = pandas.merge(df, aJoinDF, on=aKey, how='left')

然后，您可以通过下面的update方法将新信息写入您的主要收藏夹。（逻辑收集与物理数据源）。

collection.update({primarykey:foo},{key:change})

在较小的查询中，只需进行非规范化即可。例如，您在文档中有代码，而您仅添加域代码文本并在dict创建文档时进行查找。

现在，您有了一个基于人的漂亮数据集，您可以在每种情况下释放自己的逻辑并添加更多属性。最后，您可以将3个最大记忆键指标读入大熊猫，并进行数据透视/汇总/数据探索。这对我来说适合300万条带有数字/大文本/类别/代码/浮点数/ ...的记录

您还可以使用MongoDB内置的两种方法（MapReduce和聚合框架）。有关聚合框架的更多信息，请参见此处，因为它似乎比MapReduce容易，并且看起来便于进行快速聚合工作。注意，我不需要定义字段或关系，可以将项目添加到文档中。在快速变化的numpy，pandas，python工具集的当前状态下，MongoDB可以帮助我开始工作:)

我发现这有点晚了，但我遇到了类似的问题（抵押预付款模型）。我的解决方案是跳过熊猫HDFStore层，并使用直接pytables。我将每列保存为最终文件中的单独HDF5阵列。

我的基本工作流程是首先从数据库中获取CSV文件。我用gzip压缩，所以它没有那么大。然后，通过在python中对其进行迭代，将每一行转换为实际数据类型并将其写入HDF5文件，将其转换为面向行的HDF5文件。这花费了数十分钟，但是它不使用任何内存，因为它只是逐行地操作。然后，我将面向行的HDF5文件“转置”为面向列的HDF5文件。

表转置如下：

def transpose_table(h_in, table_path, h_out, group_name="data", group_path="/"):
    # Get a reference to the input data.
    tb = h_in.getNode(table_path)
    # Create the output group to hold the columns.
    grp = h_out.createGroup(group_path, group_name, filters=tables.Filters(complevel=1))
    for col_name in tb.colnames:
        logger.debug("Processing %s", col_name)
        # Get the data.
        col_data = tb.col(col_name)
        # Create the output array.
        arr = h_out.createCArray(grp,
                                 col_name,
                                 tables.Atom.from_dtype(col_data.dtype),
                                 col_data.shape)
        # Store the data.
        arr[:] = col_data
    h_out.flush()

然后读回它就像：

def read_hdf5(hdf5_path, group_path="/data", columns=None):
    """Read a transposed data set from a HDF5 file."""
    if isinstance(hdf5_path, tables.file.File):
        hf = hdf5_path
    else:
        hf = tables.openFile(hdf5_path)

    grp = hf.getNode(group_path)
    if columns is None:
        data = [(child.name, child[:]) for child in grp]
    else:
        data = [(child.name, child[:]) for child in grp if child.name in columns]

    # Convert any float32 columns to float64 for processing.
    for i in range(len(data)):
        name, vec = data[i]
        if vec.dtype == np.float32:
            data[i] = (name, vec.astype(np.float64))

    if not isinstance(hdf5_path, tables.file.File):
        hf.close()
    return pd.DataFrame.from_items(data)

现在，我通常在具有大量内存的计算机上运行此程序，因此我可能对内存使用情况不够谨慎。例如，默认情况下，装入操作将读取整个数据集。

这通常对我有用，但是有点笨拙，我不能使用花式的pytables魔术。

编辑：与默认的记录数组pytables相比，此方法的真正优势在于，我可以使用无法处理表的h5r将数据加载到R中。或者，至少，我无法使其加载异类表。

我发现对大型数据用例有用的一个技巧是通过将浮点精度降低到32位来减少数据量。它并非在所有情况下都适用，但是在许多应用程序中，64位精度过高，并且节省2倍的内存值得。提出一个显而易见的观点：

>>> df = pd.DataFrame(np.random.randn(int(1e8), 5))
>>> df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 100000000 entries, 0 to 99999999
Data columns (total 5 columns):
...
dtypes: float64(5)
memory usage: 3.7 GB

>>> df.astype(np.float32).info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 100000000 entries, 0 to 99999999
Data columns (total 5 columns):
...
dtypes: float32(5)
memory usage: 1.9 GB

正如其他人所指出的，若干年后的“外的核心”大熊猫相当于已经出现：DASK。尽管dask并不是熊猫及其所有功能的直接替代品，但它出于以下几个原因而脱颖而出：

Dask是一个灵活的用于分析计算的并行计算库，针对动态任务调度进行了优化，以针对“大数据”集合（如并行数组，数据框和列表）的交互式计算工作负载进行动态任务调度，这些列表将诸如NumPy，Pandas或Python迭代器之类的通用接口扩展为更大的-非内存或分布式环境，并可以从便携式计算机扩展到群集。

达斯克强调以下优点：

• 熟悉：提供并行的NumPy数组和Pandas DataFrame对象
• 灵活：提供任务调度界面，用于更多自定义工作负载并与其他项目集成。
• 本机：通过访问PyData堆栈，在Pure Python中启用分布式计算。
• 快速：以低开销，低延迟和快速数值算法所需的最少序列化操作
• 扩大规模：在具有1000个核心的集群上灵活运行缩小规模：在单个过程中轻松设置并在笔记本电脑上运行
• 响应式：设计时考虑了交互式计算，可提供快速反馈和诊断以帮助人类

并添加一个简单的代码示例：

import dask.dataframe as dd
df = dd.read_csv('2015-*-*.csv')
df.groupby(df.user_id).value.mean().compute()

替换这样的一些熊猫代码：

import pandas as pd
df = pd.read_csv('2015-01-01.csv')
df.groupby(df.user_id).value.mean()

并且特别值得注意的是，通过该concurrent.futures界面提供了用于提交自定义任务的通用基础架构：

from dask.distributed import Client
client = Client('scheduler:port')

futures = []
for fn in filenames:
    future = client.submit(load, fn)
    futures.append(future)

summary = client.submit(summarize, futures)
summary.result()

在这里还值得一提的是Ray，
它是一个分布式计算框架，它以分布式方式自己实现了对熊猫的实现。

只需替换pandas导入，代码应该可以正常运行：

# import pandas as pd
import ray.dataframe as pd

#use pd as usual

可以在这里阅读更多详细信息：

https://rise.cs.berkeley.edu/blog/pandas-on-ray/

另一种变化

在熊猫中完成的许多操作也可以作为db查询来完成（sql，mongo）

使用RDBMS或mongodb，您可以在数据库查询中执行某些聚合（针对大型数据进行了优化，并有效地使用了缓存和索引）

以后，您可以使用熊猫进行后期处理。

这种方法的优点是，您可以在处理大型数据时获得数据库优化，同时仍可以使用高级声明性语法定义逻辑-无需处理决定在内存中做什么和做什么的细节。的核心。

尽管查询语言和熊猫语言不同，但是将部分逻辑从一个逻辑转换到另一个逻辑通常并不复杂。

如果您走创建数据管道的简单路径，请将该路径分解为多个较小的文件，请考虑使用Ruffus。

我最近遇到了类似的问题。我发现简单地读取数据并将数据块追加到同一csv时效果很好。我的问题是，使用某些列的值，根据另一张表中的信息添加日期列。这可能会帮助那些对dask和hdf5感到困惑的人，但更熟悉像我这样的熊猫。

def addDateColumn():
"""Adds time to the daily rainfall data. Reads the csv as chunks of 100k 
   rows at a time and outputs them, appending as needed, to a single csv. 
   Uses the column of the raster names to get the date.
"""
    df = pd.read_csv(pathlist[1]+"CHIRPS_tanz.csv", iterator=True, 
                     chunksize=100000) #read csv file as 100k chunks

    '''Do some stuff'''

    count = 1 #for indexing item in time list 
    for chunk in df: #for each 100k rows
        newtime = [] #empty list to append repeating times for different rows
        toiterate = chunk[chunk.columns[2]] #ID of raster nums to base time
        while count <= toiterate.max():
            for i in toiterate: 
                if i ==count:
                    newtime.append(newyears[count])
            count+=1
        print "Finished", str(chunknum), "chunks"
        chunk["time"] = newtime #create new column in dataframe based on time
        outname = "CHIRPS_tanz_time2.csv"
        #append each output to same csv, using no header
        chunk.to_csv(pathlist[2]+outname, mode='a', header=None, index=None)

我想指出一下Vaex软件包。

Vaex是用于惰性核心数据框架（类似于Pandas）的python库，用于可视化和探索大型表格数据集。它可以在高达每秒十亿（10 ⁹）个对象/行的N维网格上计算统计信息，例如平均值，总和，计数，标准差等。可视化使用直方图，密度图和3d体积渲染完成，从而可以交互式探索大数据。Vaex使用内存映射，零内存复制策略和惰性计算来获得最佳性能（不浪费内存）。

看一下文档：https : //vaex.readthedocs.io/en/latest/ 该API非常接近于熊猫API。

为什么选择熊猫？您是否尝试过标准Python？

使用标准库python。即使最近发布了稳定版，Pandas也会经常更新。

使用标准的python库，您的代码将始终运行。

一种实现方法是对要存储数据的方式有所了解，并对数据要解决哪些问题。然后绘制一个模式，说明如何组织数据（思考表），这将有助于您查询数据，而不必进行规范化。

您可以充分利用：

• 字典列表，用于将数据存储在内存中，一个字典为一行，
• 生成器逐行处理数据，以免RAM溢出，
• 列出理解以查询您的数据，
• 利用Counter，DefaultDict，...
• 使用您选择的任何存储解决方案将数据存储在硬盘上，json可能是其中之一。

随着时间的推移，Ram和HDD越来越便宜，并且标准python 3广泛可用且稳定。

目前，我正在“喜欢”您，只是规模较小，这就是为什么我没有PoC来建议的原因。

但是，我似乎在使用pickle作为缓存系统并将各种功能的执行外包到文件中找到了成功-从我的commando / main文件中执行这些文件。例如，我使用prepare_use.py转换对象类型，将数据集拆分为测试，验证和预测数据集。

用咸菜进行缓存如何工作？我使用字符串来访问动态创建的pickle文件，具体取决于传递了哪些参数和数据集（为此，我尝试捕获并确定程序是否已在运行，使用.shape表示数据集，使用dict表示通过参数）。尊重这些措施，我得到一个String来尝试查找和读取.pickle文件，并且如果找到了该字符串，则可以跳过处理时间以跳转到我现在正在处理的执行。

使用数据库时，我遇到了类似的问题，这就是为什么我在使用此解决方案时感到高兴的原因，但是-有很多限制-例如由于冗余而存储大量的泡菜集。可以使用正确的索引从转换前到更新表进行更新-验证信息可以打开另一本完整的书（我尝试合并爬网的租金数据，基本上在2小时后停止使用数据库-因为我想在之后跳回每个转换过程）

我希望我的2美分能以某种方式对您有所帮助。

问候。