使用 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：

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."

| ----- | | | 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。

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。

| ----- | | 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。

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。