用Python Pandas处理亿级数据
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 | 98,706,832 rows x 14 columns | 8.77 GB | 交易日志数据，每个交易会话可以有多条交易 |
| ServiceCodes | 286 rows × 8 columns | 20 KB | 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。
| 123456 | import pandas as pdreader = 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。
| 1234567891011 | loop = TruechunkSize = 100000chunks = []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。
| 123 | 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：
| 12 | 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。