2017-05-06 50 views
0

当我在像熊猫的数据帧:大熊猫/ DASK计算百分比为多个列 - 列并行操作

raw_data = { 
     'subject_id': ['1', '2', '3', '4', '5'], 
     'name': ['A', 'B', 'C', 'D', 'E'], 
     'nationality': ['DE', 'AUT', 'US', 'US', 'US'], 
     'alotdifferent': ['x', 'y', 'z', 'x', 'a'], 
     'target': [0,0,0,1,1], 
     'age_group' : [1, 2, 1, 3, 1]} 
df_a = pd.DataFrame(raw_data, columns = ['subject_id', 'name', 'nationality', 'alotdifferent','target','age_group']) 
df_a.nationality = df_a.nationality.astype('category') 
df_a.alotdifferent = df_a.alotdifferent.astype('category') 
df_a.name = df_a.name.astype('category') 

目前,我使用:

FACTOR_FIELDS = df_a.select_dtypes(include=['category']).columns 
columnsToDrop = ['alotdifferent'] 
columnsToBias_keep = FACTOR_FIELDS[~FACTOR_FIELDS.isin(columnsToDrop)] 
target = 'target' 

def quotients_slow(df_a): 
    # parallelism = 8 
    # original = dd.from_pandas(df.copy()) 
    original = df_a.copy() 
    output_df = original 
    ratio_weights = {} 

    for colname in columnsToBias_keep.union(columnsToDrop): 
     # group only a single time 
     grouped = original.groupby([colname, target]).size() 
     # calculate first ratio 
     df = grouped/original[target].sum() 
     nameCol = "pre_" + colname 
     grouped_res = df.reset_index(name=nameCol) 
     grouped_res = grouped_res[grouped_res[target] == 1] 
     grouped_res = grouped_res.drop(target, 1) 
     # todo persist the result in dict for transformer 
     result_1 = grouped_res 

     # calculate second ratio 
     df = (grouped/grouped.groupby(level=0).sum()) 
     nameCol_2 = "pre2_" + colname 
     grouped = df.reset_index(name=nameCol_2) 
     grouped_res = grouped[grouped[target] == 1] 
     grouped_res = grouped_res.drop(target, 1) 
     result_2 = grouped_res 

     # persist the result in dict for transformer 
     # this is required to separate fit and transform stage (later on in a sklearn transformer) 
     ratio_weights[nameCol] = result_1 
     ratio_weights[nameCol_2] = result_2 

     # retrieve results 
     res_1 = ratio_weights['pre_' + colname] 
     res_2 = ratio_weights['pre2_' + colname] 
     # merge ratio_weight with original dataframe 
     output_df = pd.merge(output_df, res_1, on=colname, how='left') 
     output_df = pd.merge(output_df, res_2, on=colname, how='left') 
     output_df.loc[(output_df[nameCol].isnull()), nameCol] = 0 
     output_df.loc[(output_df[nameCol_2].isnull()), nameCol_2] = 0 

     if colname in columnsToDrop: 
      output_df = output_df.drop(colname, 1) 

    return output_df 


quotients_slow(df_a) 

计算的比率每个组以target:1为每个(分类)列以两种方式。因为我想对多个列执行这个操作,所以我无意中迭代了所有这些操作。但是这个操作非常缓慢。 此处示例:10 loops, best of 3: 37 ms per loop。对于我的约500000行和100列左右的真实数据集,这确实需要一段时间。

不应该在dask或pandas中加速(列并行方式,平凡并行化)吗?有没有可能在大熊猫中更有效地实施它?是否可以减少计算商的数据通过次数?

编辑

当试图在使用dask.delayed for循环来实现对列并行,我无法弄清楚如何建立图在列,因为我需要调用计算得到元组。

delayed_res_name = delayed(compute_weights)(df_a, 'name') 
a,b,c,d = delayed_res_name.compute() 
ratio_weights = {} 
ratio_weights[c] = a 
ratio_weights[d] = b 
+0

也许单程可以类似于这里演示:https://jcrist.github.io/dask-sklearn-part-3.html –

+0

“目标”colu的百分比任何其他专栏的mn ...“你的计算在这里得出一个不寻常的比例。例如,5个观察值中有1个出现'name:A' /'target:0'组合。但是你在'target'中将'1'的值除以'1'值的总和。想象一下,如果你有'name:A' /'target:0'的3个条目,但'target'中仍然只有两个'1'值。 “name:A' /'target:0'比例是1.5还是150%? –

+0

您可能是对的,我需要考虑这一点,但重点是我想*并行/有效地实施这种划分*(某种百分比)。而实际上,'target:0'是无关紧要的。我只对'target:1'感兴趣,或者以不同的方式指出:每个列每个组的'target:1/allRecords'的比例。也许这是一个更好的表述。 –

回答

1

下面是使用熊猫的第一个商的合理快速解决方案。它假定您对subject_id的计算比例不感兴趣。我还为您的示例添加了一些数据以涵盖更多边缘案例。

首先,生成采样数据:

raw_data = { 
    'subject_id': ['1', '2', '3', '4', '5', '6','7'], 
    'name': ['A', 'B', 'C', 'D', 'E', 'A','A'], 
    'nationality': ['DE', 'AUT', 'US', 'US', 'US', 'DE','DE'], 
    'alotdifferent': ['x', 'y', 'z', 'x', 'a','x','z'], 
    'target': [0,0,0,1,1,0,1], 
    'age_group' : [1, 2, 1, 3, 1, 2,1]} 

df_a = pd.DataFrame(raw_data, columns = ['subject_id', 'name', 'nationality', 'alotdifferent','target','age_group']) 

现在计算的比例和测量速度:

def compute_prop(group): 
    return group.sum()/float(group.count()) 

def build_master(df): 
    master = df.copy() 
    fields = df.drop(['subject_id','target'],1).columns 

    for field in fields: 
     master = (pd.merge(master, df.groupby(field, as_index=False) 
            .agg({'target':compute_prop}) 
            .rename(columns={'target':'pre_{}'.format(field)}), 
          on=field) 
      ) 

    master.sort_values('subject_id') 
    return master 

%timeit master = build_master(df_a) 
10 loops, best of 3: 17.1 ms per loop 

输出:

subject_id name nationality alotdifferent target age_group pre_name \ 
0   1 A   DE    x  0   1 0.333333 
5   2 B   AUT    y  0   2 0.000000 
2   3 C   US    z  0   1 0.000000 
6   4 D   US    x  1   3 1.000000 
3   5 E   US    a  1   1 1.000000 
4   6 A   DE    x  0   2 0.333333 
1   7 A   DE    z  1   1 0.333333 

    pre_nationality pre_alotdifferent pre_age_group 
0   0.333333   0.333333   0.5 
5   0.000000   0.000000   0.0 
2   0.666667   0.500000   0.5 
6   0.666667   0.333333   1.0 
3   0.666667   1.000000   0.5 
4   0.333333   0.333333   0.0 
1   0.333333   0.500000   0.5 
+0

是否有可能添加第二种情况/在一次传递中计算两个聚合?我认为只需要添加下面的行'df =(groupped/groupped.groupby(level = 0).sum())'是否有可能将第二个函数传递给'agg'? –

+0

但我真的不知道与我的初始解决方案有什么不同。在那里,我已经遍历所有的字段并聚合数据。你只需结合这些步骤,即代码更清洁。但是,这可以产生任何性能效率?最后,它需要是一个sklearn变压器,它可以存储笔记本中列出的*重量*。所以你使用的合并和组合可能需要分开。 –