寻找用于清理/注释大型数据集的 python 数据结构

Posted 2023-04-18

【中文标题】寻找用于清理/注释大型数据集的 python 数据结构

【英文标题】：Looking for a python datastructure for cleaning/annotating large datasets

【发布时间】：2015-05-01 20:23:23

【问题描述】：

我正在对非常大的 twitter 数据集（约 5000 万条消息）进行大量清理、注释和简单转换。我正在寻找某种数据结构，它会像 pandas 那样包含列信息，但与迭代器一起工作，而不是一次将整个数据集读入内存。我正在考虑编写自己的，但我想知道是否有类似功能的东西。我知道我不是唯一一个这样做的人！

所需功能：

>>> ds = DataStream.read_sql("SELECT id, message from dataTable WHERE epoch < 129845")
>>> ds.columns
['id', 'message']
>>> ds.iterator.next()
[2385, "Hi it's me, Sally!"]
>>> ds = datastream.read_sql("SELECT id, message from dataTable WHERE epoch < 129845")
>>> ds_tok = get_tokens(ds)
>>> ds_tok.columns
['message_id', 'token', 'n']
>>> ds_tok.iterator.next()
[2385, "Hi", 0]
>>> ds_tok.iterator.next()
[2385, "it's", 1]
>>> ds_tok.iterator.next()
[2385, "me", 2]
>>> ds_tok.to_sql(db_info)

更新：我已经确定了 dict 迭代器和 pandas 数据帧的组合来满足这些需求。

【问题讨论】：

fwiw，您不必一次将其全部读入内存。您可以使用 chunk_size，例如你看到这个了吗？ ***.com/questions/11622652/…

感谢您的链接！我在 read_sql 中看不到任何给我一个迭代器的选项：/ pandas.pydata.org/pandas-docs/stable/generated/…

read_sql 也有块大小：pandas.pydata.org/pandas-docs/stable/generated/…

好点。谢谢。

【参考方案1】：

正如评论的那样，read_sql 有一个 chunksize 参数，这意味着您可以零碎地处理 sql 结果。我可能会使用 HDF5Store 来保存中间结果...或者您可以将其附加回另一个 sql 表。

dfs = pd.read_sql(..., chunksize=100000)
store = pd.HDF5Store("store.h5")
for df in dfs:
    clean_df = ...  # whatever munging you have to do
    store.append("df", clean_df)

（参见文档的hdf5 section），或

dfs = pd.read_sql(..., chunksize=100000)
for df in dfs:
    clean_df = ...
    clean_df.to_sql(..., if_exists='append')

查看文档的sql section。

【讨论】：

那么在实践中用 pandas 读取 chunksize =1 的东西会不会效率低下？

@Selah 那太可怕了。块大小需要相当大 IIRC 至少 50000 是一个很好的经验法则。但是尝试几个不同的值并进行比较（使用 %timeit）。