在Python中利用Pandas库处理大数据的简单介绍

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：

数据读取

启动ipython notebook，加载pylab环境：

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。
 
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。
 

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。

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：

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。

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。
 

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：
 

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：

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。