利用pandas进行大文件计数处理的方法

Pandas读取大文件

要处理的是由探测器读出的脉冲信号，一组数据为两列，一列为时间，一列为脉冲能量，数据量在千万级，为了有一个直接的认识，先使用Pandas读取一些

import pandas as pd
data = pd.read_table('filename.txt', iterator=True)
chunk = data.get_chunk(5)

而输出是这样的：

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

这里，data只是个容器，pandas.io.parsers.TextFileReader。

使用astype可以实现dataframe字段类型转换

输出数据中，每组数据会多处一行，因为get_chunk返回的是pandas.core.frame.DataFrame格式， 而data在读取过程中并没有指定DataFrame的columns，因此在get_chunk过程中，默认将第一组数据作为columns。因此需要在读取过程中指定names即DataFrame的columns。

import pandas as pd
data = pd.read_table('filename.txt', iterator=True， names=['time', 'energe'])
chunk = data.get_chunk(5)
data['energe'] = df['energe'].astype('int')

输出为

Out[6]:

DataFram存储和索引

这里讲一下DataFrame这个格式，与一般二维数据不同（二维列表等），DataFrame既有行索引又有列索引，因此在建立一个DataFrame数据是

DataFrame(data, columns=[‘year', ‘month', ‘day'],
index=[‘one', ‘two', ‘three'])

而pd.read_table中的names就是指定DataFrame的columns,而index自动设置。 而DataFrame的索引格式有很多

exp: In[1]:data[:2]

Out[2]:

In[2]:data[data[‘month']>5]

Out[2]:

如果我们直接把data拿来比较的话，相当于data中所有的标量元素

In[3]:data[data<6]=0

Out[3]:

Pandas运算

series = data.ix[0]
data - series

Out:

DataFrame与Series之间运算会将Series索引匹配到DataFrame的列，然后沿行一直向下广播

如果令series1 = data[‘year']

data.sub(series1,axis=0)

则每一列都减去该series1，axis为希望匹配的轴,=0行索引，即匹配列，=1列索引，则按行匹配。

DataFrame的一些函数方法

这个就有很多了，比如排序和排名；求和、平均数以及方差、协方差等数学方法；还有就是唯一值（类似于集合）、值计数和成员资格等方法。

当然还有一些更高级的属性，用的时候再看吧

数据处理

在得到数据样式后我们先一次性读取数据

start = time.time()
data = pd.read_table('Eu155_Na22_K40_MR_0CM_3Min.csv', names=['time', 'energe'])
end = time.time()
data.index
print("The time is ％f s" ％ (end - start))
plus = data['energe']
plus[plus < 0] = 0

The time is 29.403917 s
RangeIndex(start=0, stop=68319232, step=1)

对于一个2G大小，千万级的数据，这个读取速度还是挺快的。之前使用matlab load用时160多s，但是不知道这个是否把数据完全读取了。然后只抽取脉冲信号，将负值归0，因为会出现一定的电子噪声从而产生一定负值。

然后就需要定位脉冲信号中的能峰了，也就是findpeaks

这里用到了scipy.signal中的find_peaks_cwt，具体用法可以参见官方文档

peaks = signal.find_peaks_cwt(pluse, np.arange(1, 10))，它返回找到的peaks的位置，输入第一个为数据，第二个为窗函数，也就是在这个宽度的能窗内寻找峰，我是这样理解的。刚开始以为是数据的另一维坐标，结果找了半天没结果。不过事实上这个找的确定也挺慢的。

50w条的数据，找了足足7分钟，我这一个数据3000w条不得找半个多小时，而各种数据有好几十，恩。。这样是不行的，于是想到了并行的方法。这个下篇文章会讲到，也就是把数据按照chunksize读取，然后同时交给(map)几个进程同时寻峰，寻完后返回(reduce)一起计数，计数的同时，子进程再此寻峰。

在处理的时候碰到我自己的破 笔记本由于内存原因不能load这个数据，并且想着每次copy这么大数据好麻烦，就把一个整体数据文件分割成了几个部分，先对方法进行一定的实验，时间快，比较方便。

import pandas as pd

def 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 += 1

def 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

额..使用并行寻峰通过map/reduce的思想来解决提升效率这个想法，很早就实现了，但是，由于效果不是特别理想，所以放那也就忘了，今天整理代码来看了下当时记的些笔记，然后竟然发现有个评论…..我唯一收到的评论竟然是“催稿”=。=。想一想还是把下面的工作记录下来，免得自己后来完全忘记了。

rom scipy import signal
import os
import time
import pandas as pd
import numpy as np
from multiprocessing import Pool
import matplotlib.pylab as plt
from functools import partial

def 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)) # 返回一个列表
end = time.time()
print("The time is ％f s" ％ (end - start))
pks = [pluse[x] for x in peaks]
return pks

def histcnt(pks, edge=None, channel=None):
cnt = plt.hist(pks, edge)
res = pd.DataFrame(cnt[0], index=channel, columns=['cnt'])
return res

if __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))

由于对对进程线程的编程不是很了解，其中走了很多弯路，尝试了很多方法也，这个是最终效果相对较好的。

首先，通过 pd.readtable以chunksize=50000分块读取，edges为hist过程中的下统计box。

然后，apply_async为非阻塞调用findpeak，然后将结果返回给回调函数histcnt，但是由于回调函数除了进程返回结果还有额外的参数，因此使用partial,对特定的参数赋予固定的值(edge和channel)并返回了一个全新的可调用对象，这个新的可调用对象仍然需要通过制定那些未被赋值的参数(findpeak返回的值)来调用。这个新的课调用对象将传递给partial()的固定参数结合起来，同一将所有参数传递给原始函数(histcnt)。(至于为啥不在histcnt中确定那两个参数，主要是为了避免一直打开文件。。当然，有更好的办法只是懒得思考=。=)，还有个原因就是，apply_async返回的是一个对象，需要通过该对象的get方法才能获取值。。

对于 apply_async官方上是这样解释的

Apply_async((func[, args[, kwds[, callback[, error_callback]]]])),apply()方法的一个变体，返回一个结果对象

如果指定回调,那么它应该是一个可调用的接受一个参数。结果准备好回调时,除非调用失败,在这种情况下,应用error_callback代替。

如果error_callback被指定,那么它应该是一个可调用的接受一个参数。如果目标函数失败,那么error_callback叫做除了实例。

回调应立即完成以来,否则线程处理结果将被封锁。

不使用回调函数的版本如下，即先将所有子进程得到的数据都存入peaks列表中，然后所有进程完毕后在进行统计计数。

import pandas as pd
import time
import scipy.signal as signal
import numpy as np
from multiprocessing import Pool
import os
import matplotlib.pyplot as plt

def 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 res

if __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))

来源：https://blog.csdn.net/renjunsong0/article/details/53107091