Pandas讀取大文件
要處理的是由探測器讀出的脈沖信號，一組數據為兩列，一列為時間，一列為脈沖能量，數據量在千萬級，為了有一個直接的認識，先使用Pandas讀取一些
import pandas as pddata = pd.read_table('filename.txt', iterator=True)chunk = data.get_chunk(5) 而輸出是這樣的：
Out[4]: 332.977889999979 -0.0164794921875 0 332.97790 -0.022278 1 332.97791 -0.026855 2 332.97792 -0.030518 3 332.97793 -0.045776 4 332.97794 -0.032654
DataFram基本用法
這里，data只是個容器，pandas.io.parsers.TextFileReader。
使用astype可以實現dataframe字段類型轉換
輸出數據中，每組數據會多處一行，因為get_chunk返回的是pandas.core.frame.DataFrame格式， 而data在讀取過程中并沒有指定DataFrame的columns，因此在get_chunk過程中，默認將第一組數據作為columns。因此需要在讀取過程中指定names即DataFrame的columns。
import pandas as pddata = pd.read_table('filename.txt', iterator=True， names=['time', 'energe'])chunk = data.get_chunk(5) data['energe'] = df['energe'].astype('int')輸出為
Out[6]:
| index | time | energe |
|---|---|---|
| 0 | 332.97789 | -0.016479 |
| 1 | 332.97790 | -0.022278 |
| 2 | 332.97791 | -0.026855 |
| 3 | 332.97792 | -0.030518 |
| 4 | 332.97793 | -0.045776 |
DataFram存儲和索引
這里講一下DataFrame這個格式，與一般二維數據不同（二維列表等），DataFrame既有行索引又有列索引，因此在建立一個DataFrame數據是
DataFrame(data, columns=[‘year', ‘month', ‘day'], index=[‘one', ‘two', ‘three'])
| year | month | day | |
|---|---|---|---|
| 0 | 2010 | 4 | 1 |
| 1 | 2011 | 5 | 2 |
| 2 | 2012 | 6 | 3 |
| 3 | 2013 | 7 | 5 |
| 4 | 2014 | 8 | 9 |
而pd.read_table中的names就是指定DataFrame的columns,而index自動設置。 而DataFrame的索引格式有很多
| 類型 | 說明 | 例子 |
|---|---|---|
| obj[val] | 選取單列或者一組列 | |
| obj.ix[val] | 選取單個行或者一組行 | |
| obj.ix[:,val] | 選取單個列或列子集 | |
| obj.ix[val1, val2] | 同時選取行和列 | |
| reindex方法 | 將一個或多個軸匹配到新索引 | |
| xs方法 | 根據標簽選取單行或單列，返回一個Series | |
| icol,lrow方法 | 根據整數位置選取單列或單行，返回一個Series | |
| get_value,set_value | 根據行標簽列標簽選取單個值 |
exp: In[1]:data[:2]
Out[2]:
| year | month | day | |
|---|---|---|---|
| 0 | 2010 | 4 | 1 |
| 1 | 2011 | 5 | 2 |
In[2]:data[data[‘month']>5]
Out[2]:
| year | month | day | |
|---|---|---|---|
| 2 | 2012 | 6 | 3 |
| 4 | 2014 | 8 | 9 |
如果我們直接把data拿來比較的話，相當于data中所有的標量元素
In[3]:data[data<6]=0
Out[3]:
| year | month | day | |
|---|---|---|---|
| 0 | 2010 | 0 | 0 |
| 1 | 2011 | 0 | 0 |
| 2 | 2012 | 6 | 0 |
| 3 | 2013 | 7 | 0 |
| 4 | 2014 | 8 | 9 |
Pandas運算
series = data.ix[0]data - series
Out:
| year | month | day | |
|---|---|---|---|
| 0 | 0 | 0 | 0 |
| 1 | 1 | 1 | 1 |
| 2 | 2 | 2 | 2 |
| 3 | 3 | 3 | 4 |
| 4 | 4 | 4 | 8 |
DataFrame與Series之間運算會將Series索引匹配到DataFrame的列，然后沿行一直向下廣播
如果令series1 = data[‘year']
data.sub(series1,axis=0)
則每一列都減去該series1，axis為希望匹配的軸,=0行索引，即匹配列，=1列索引，則按行匹配。
DataFrame的一些函數方法
這個就有很多了，比如排序和排名；求和、平均數以及方差、協方差等數學方法；還有就是唯一值（類似于集合）、值計數和成員資格等方法。
當然還有一些更高級的屬性，用的時候再看吧
數據處理
在得到數據樣式后我們先一次性讀取數據
start = time.time()data = pd.read_table('Eu155_Na22_K40_MR_0CM_3Min.csv', names=['time', 'energe'])end = time.time()data.indexprint("The time is %f s" % (end - start))plus = data['energe']plus[plus < 0] = 0The time is 29.403917 s RangeIndex(start=0, stop=68319232, step=1)
對于一個2G大小，千萬級的數據，這個讀取速度還是挺快的。之前使用matlab load用時160多s，但是不知道這個是否把數據完全讀取了。然后只抽取脈沖信號，將負值歸0，因為會出現一定的電子噪聲從而產生一定負值。
然后就需要定位脈沖信號中的能峰了，也就是findpeaks
這里用到了scipy.signal中的find_peaks_cwt，具體用法可以參見官方文檔
peaks = signal.find_peaks_cwt(pluse, np.arange(1, 10))，它返回找到的peaks的位置，輸入第一個為數據，第二個為窗函數，也就是在這個寬度的能窗內尋找峰，我是這樣理解的。剛開始以為是數據的另一維坐標，結果找了半天沒結果。不過事實上這個找的確定也挺慢的。
50w條的數據，找了足足7分鐘，我這一個數據3000w條不得找半個多小時，而各種數據有好幾十，恩。。這樣是不行的，于是想到了并行的方法。這個下篇文章會講到，也就是把數據按照chunksize讀取，然后同時交給(map)幾個進程同時尋峰，尋完后返回(reduce)一起計數，計數的同時，子進程再此尋峰。
在處理的時候碰到我自己的破 筆記本由于內存原因不能load這個數據，并且想著每次copy這么大數據好麻煩，就把一個整體數據文件分割成了幾個部分，先對方法進行一定的實驗，時間快，比較方便。
import pandas as pddef split_file(filename, size): name = filename.split('.')[0] data = pd.read_table(filename, chunksize=size, names=['time', 'intension']) i = 1 for piece in data: outname = name + str(i) + '.csv' piece.to_csv(outname, index=False, names = ['time', 'intension']) i += 1def split_csvfile(filename, size): name = filename.split('.')[0] data = pd.read_csv(filename, chunksize=size, names=['time', 'intension']) i = 1 for piece in data: outname = name + str(i) + '.csv' piece = piece['intension'] piece.to_csv(outname, index=False) i += 1額..使用并行尋峰通過map/reduce的思想來解決提升效率這個想法，很早就實現了，但是，由于效果不是特別理想，所以放那也就忘了，今天整理代碼來看了下當時記的些筆記，然后竟然發現有個評論…..我唯一收到的評論竟然是“催稿”=。=。想一想還是把下面的工作記錄下來，免得自己后來完全忘記了。
rom scipy import signalimport osimport timeimport pandas as pdimport numpy as npfrom multiprocessing import Poolimport matplotlib.pylab as pltfrom functools import partialdef findpeak(pluse): pluse[pluse < 0.05] = 0 print('Sub process %s.' % os.getpid()) start = time.time() peaks = signal.find_peaks_cwt(pluse, np.arange(1, 10)) # 返回一個列表 end = time.time() print("The time is %f s" % (end - start)) pks = [pluse[x] for x in peaks] return pksdef histcnt(pks, edge=None, channel=None): cnt = plt.hist(pks, edge) res = pd.DataFrame(cnt[0], index=channel, columns=['cnt']) return resif __name__ == '__main__': with Pool(processes=8) as p: start = time.time() print('Parent process %s.' % os.getpid()) pluse = pd.read_csv('data/samples.csv', chunksize=50000, names=['time', 'energe']) channel = pd.read_csv('data/channels.txt', names=['value']) edges = channel * 2 edges = pd.DataFrame({'value': [0]}).append(edges, ignore_index=True) specal = [] for data in pluse: total = p.apply_async(findpeak, (data['energe'],), callback=partial(histcnt, edge=edges['value'], channel=channel['value'])) specal.append(total) print('Waiting for all subprocesses done...') p.close() p.join() print('All subprocesses done.') spec = sum(specal) plt.figure() plt.plot(spec['cnt']) spec.to_csv('data/spec1.csv', header=False) print('every is OK') end = time.time() print("The time is %f s" % (end - start))由于對對進程線程的編程不是很了解，其中走了很多彎路，嘗試了很多方法也，這個是最終效果相對較好的。
首先，通過 pd.readtable以chunksize=50000分塊讀取，edges為hist過程中的下統計box。
然后，apply_async為非阻塞調用findpeak，然后將結果返回給回調函數histcnt，但是由于回調函數除了進程返回結果還有額外的參數，因此使用partial,對特定的參數賦予固定的值(edge和channel)并返回了一個全新的可調用對象，這個新的可調用對象仍然需要通過制定那些未被賦值的參數(findpeak返回的值)來調用。這個新的課調用對象將傳遞給partial()的固定參數結合起來，同一將所有參數傳遞給原始函數(histcnt)。(至于為啥不在histcnt中確定那兩個參數，主要是為了避免一直打開文件。。當然，有更好的辦法只是懶得思考=。=)，還有個原因就是，apply_async返回的是一個對象，需要通過該對象的get方法才能獲取值。。
對于 apply_async官方上是這樣解釋的
Apply_async((func[, args[, kwds[, callback[, error_callback]]]])),apply()方法的一個變體，返回一個結果對象
如果指定回調,那么它應該是一個可調用的接受一個參數。結果準備好回調時,除非調用失敗,在這種情況下,應用error_callback代替。
如果error_callback被指定,那么它應該是一個可調用的接受一個參數。如果目標函數失敗,那么error_callback叫做除了實例。
回調應立即完成以來,否則線程處理結果將被封鎖。
不使用回調函數的版本如下，即先將所有子進程得到的數據都存入peaks列表中，然后所有進程完畢后在進行統計計數。
import pandas as pdimport timeimport scipy.signal as signalimport numpy as npfrom multiprocessing import Poolimport osimport matplotlib.pyplot as pltdef findpeak(pluse): pluse[pluse < 0] = 0 pluse[pluse > 100] = 0 print('Sub process %s.' % os.getpid()) start = time.time() peaks = signal.find_peaks_cwt(pluse, np.arange(1, 10)) end = time.time() print("The time is %f s" % (end - start)) res = [pluse[x] for x in peaks] return resif __name__ == '__main__': with Pool(processes=8) as p: start = time.time() print('Parent process %s.' % os.getpid()) pluse = pd.read_csv('data/sample.csv', chunksize=200000, names=['time', 'energe']) pks = [] for data in pluse: pks.append(p.apply_async(findpeak, (data['energe'],))) print('Waiting for all subprocesses done...') p.close() p.join() print('All subprocesses done.') peaks = [] for i, ele in enumerate(pks): peaks.extend(ele.get()) peaks = pd.DataFrame(peaks, columns=['energe']) peaks.to_csv('peaks.csv', index=False, header=False, chunksize=50000) channel = pd.read_csv('data/channels.txt', names=['value']) channel *= 2 channel = pd.DataFrame({'value': [0]}).append(channel, ignore_index=True) plt.figure() spec = plt.hist(peaks['energe'], channel['value']) # out.plot.hist(bins=1024) # print(out) # cnt = peaks.value_counts(bins=1024) # cnt.to_csv('data/cnt.csv', index=False, header=False) print('every is OK') end = time.time() print("The time is %f s" % (end - start))以上這篇利用pandas進行大文件計數處理的方法就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持VEVB武林網。
新聞熱點
疑難解答
