媲美Pandas的數(shù)據(jù)分析工具包Datatable
前言
Data.table 是 R 中一個(gè)非常通用和高性能的包，使用簡單、方便而且速度快，在 R 語言社區(qū)非常受歡迎，每個(gè)月的下載量超過 40 萬，有近 650 個(gè) CRAN 和 Bioconductor 軟件包使用它。如果你是 R 的使用者，可能已經(jīng)使用過 data.table 包。
而對(duì)于 Python 用戶，同樣存在一個(gè)名為 datatable 包，專注于大數(shù)據(jù)支持、高性能內(nèi)存/內(nèi)存不足的數(shù)據(jù)集以及多線程算法等問題。在某種程度上，datatable 可以被稱為是 Python 中的 data.table。
Datatable簡介
為了能夠更準(zhǔn)確地構(gòu)建模型，現(xiàn)在機(jī)器學(xué)習(xí)應(yīng)用通常要處理大量的數(shù)據(jù)并生成多種特征，這已成為必要的。而 Python 的 datatable 模塊為解決這個(gè)問題提供了良好的支持，以可能的最大速度在單節(jié)點(diǎn)機(jī)器上進(jìn)行大數(shù)據(jù)操作 (最多100GB)。datatable 包的開發(fā)由 H2O.ai 贊助，它的第一個(gè)用戶是 Driverless.ai。
2.1 安裝
- Mac OS系統(tǒng)
- Linux系統(tǒng)
安裝過程需要通過二進(jìn)制分布來實(shí)現(xiàn)
很遺憾的是，目前 datatable 包還不能在 Windows 系統(tǒng)上工作，但 Python 官方也在努力地增加其對(duì) Windows 的支持。更多的信息可以查看 Build instructions 的說明。
https://datatable.readthedocs.io/en/latest/install.html
2.2 數(shù)據(jù)讀取
這里使用的數(shù)據(jù)集是來自 Kaggle 競賽中的 Lending Club Loan Data 數(shù)據(jù)集, 該數(shù)據(jù)集包含2007-2015期間所有貸款人完整的貸款數(shù)據(jù)，即當(dāng)前貸款狀態(tài) (當(dāng)前，延遲，全額支付等) 和最新支付信息等。整個(gè)文件共包含226萬行和145列數(shù)據(jù)，數(shù)據(jù)量規(guī)模非常適合演示 datatable 包的功能。
數(shù)據(jù)集：
- 首先將數(shù)據(jù)加載到 Frame 對(duì)象中，datatable 的基本分析單位是 Frame，這與Pandas DataFrame 或 SQL table 的概念是相同的：即數(shù)據(jù)以行和列的二維數(shù)組排列展示。
使用datatable讀取數(shù)據(jù)
這個(gè)數(shù)據(jù)集一共226萬行，145列，將近1.2G的數(shù)據(jù)，通過datatable讀取只用了2.54s
如上所示，fread() 是一個(gè)強(qiáng)大又快速的函數(shù)，能夠自動(dòng)檢測并解析文本文件中大多數(shù)的參數(shù)，所支持的文件格式包括 .zip 文件、URL 數(shù)據(jù)，Excel 文件等等。此外，datatable 解析器具有如下幾大功能：
- 能夠自動(dòng)檢測分隔符，標(biāo)題，列類型，引用規(guī)則等。
- 能夠讀取多種文件的數(shù)據(jù)，包括文件，URL，shell，原始文本，檔案和 glob 等。
- 提供多線程文件讀取功能，以獲得最大的速度。
- 在讀取大文件時(shí)包含進(jìn)度指示器。
- 可以讀取 RFC4180 兼容和不兼容的文件。
- 使用pandas讀取數(shù)據(jù)
!!!注意:由于數(shù)據(jù)量過大，使用pandas讀取數(shù)據(jù)會(huì)經(jīng)常使服務(wù)掛機(jī)，所以可以使用數(shù)據(jù)量稍小的數(shù)據(jù)集來測試
由此可以看出，結(jié)果表明在讀取大型數(shù)據(jù)時(shí) datatable 包的性能明顯優(yōu)于 Pandas，Pandas 需要接近30秒的時(shí)間來讀取這些數(shù)據(jù)，而 datatable 只需要2秒多。
2.3 幀轉(zhuǎn)換 (Frame Conversion)
對(duì)于當(dāng)前存在的幀，可以將其轉(zhuǎn)換為一個(gè) Numpy 或 Pandas dataframe 的形式，如下所示：
下面，將 datatable 讀取的數(shù)據(jù)幀轉(zhuǎn)換為 Pandas dataframe 形式，并比較所需的時(shí)間，如下所示：
由于 Lending Club Loan Data 數(shù)據(jù)集的數(shù)據(jù)量過大，使用to_padnas操作，jupyte服務(wù)容易掛機(jī)，所以使用一個(gè)數(shù)據(jù)集較小的進(jìn)行測試。
通過datatable讀取數(shù)據(jù)加上將其轉(zhuǎn)換為DataFrame數(shù)組，一共是2.62ms.
單通過pandas讀取數(shù)據(jù)，總共需要14.4ms。
看起來將文件作為一個(gè) datatable frame 讀取，然后將其轉(zhuǎn)換為 Pandas dataframe比直接讀取 Pandas dataframe 的方式所花費(fèi)的時(shí)間更少。因此，通過 datatable 包導(dǎo)入大型的數(shù)據(jù)文件再將其轉(zhuǎn)換為 Pandas dataframe 的做法是個(gè)不錯(cuò)的主意。
2.4 幀的基礎(chǔ)屬性
下面來介紹 datatable 中 frame 的一些基礎(chǔ)屬性，這與 Pandas 中 dataframe 的一些功能類似。
也可以通過使用 head 命令來打印出輸出的前 n 行數(shù)據(jù)，如下所示：
注意：這里用顏色來指代數(shù)據(jù)的類型，其中紅色表示字符串，綠色表示整型，而藍(lán)色代表浮點(diǎn)型。
2.5 統(tǒng)計(jì)總結(jié)
在 Pandas 中，總結(jié)并計(jì)算數(shù)據(jù)的統(tǒng)計(jì)信息是一個(gè)非常消耗內(nèi)存的過程，但這個(gè)過程在 datatable 包中是很方便的。如下所示，使用 datatable 包計(jì)算以下每列的統(tǒng)計(jì)信息：
下面分別使用 datatable 和Pandas 來計(jì)算每列數(shù)據(jù)的均值，并比較二者運(yùn)行時(shí)間的差異。
- Datatable讀取
- Pandas讀取
使用 Pandas 計(jì)算時(shí)拋出內(nèi)存錯(cuò)誤的異常。
數(shù)據(jù)操作
和 dataframe 一樣，datatable 也是柱狀數(shù)據(jù)結(jié)構(gòu)。在 datatable 中，所有這些操作的主要工具是方括號(hào)，其靈感來自傳統(tǒng)的矩陣索引，但它包含更多的功能。諸如矩陣索引，C/C++，R，Pandas，Numpy 中都使用相同的 DT[i，j] 的數(shù)學(xué)表示法。下面來看看如何使用 datatable 來進(jìn)行一些常見的數(shù)據(jù)處理工作。
選擇行/列的子集
下面的代碼能夠從整個(gè)數(shù)據(jù)集中篩選出所有行及 funded_amnt 列：
展示如何選擇數(shù)據(jù)集中前5行3列的數(shù)據(jù)，如下所示：
幀排序
- datatable 排序
在 datatable 中通過特定的列來對(duì)幀進(jìn)行排序操作，如下所示：
- Pandas 排序
可以看到兩種包在排序時(shí)間方面存在明顯的差異。
- 刪除行/列
下面展示如何刪除 member_id 這一列的數(shù)據(jù)：
- 分組 (GroupBy)
與 Pandas 類似，datatable 同樣具有分組 (GroupBy) 操作。下面來看看如何在 datatable 和 Pandas 中，通過對(duì) grade 分組來得到 funded_amout 列的均值：
- datatable 分組
- pandas 分組
.f 代表什么
在 datatable 中，f 代表 frame_proxy，它提供一種簡單的方式來引用當(dāng)前正在操作的幀。在上面的例子中，dt.f 只代表 dt_df。
過濾行
在 datatable 中，過濾行的語法與GroupBy的語法非常相似。下面就來展示如何過濾掉 loan_amnt 中大于 funding_amnt 的值，如下所示。
保存幀
在 datatable 中，同樣可以通過將幀的內(nèi)容寫入一個(gè) csv 文件來保存，以便日后使用。如下所示：
有關(guān)數(shù)據(jù)操作的更多功能，可查看 datatable 包的說明文檔
地址：https://datatable.readthedocs.io/en/latest/using-datatable.html
總結(jié)
在數(shù)據(jù)科學(xué)領(lǐng)域，與默認(rèn)的 Pandas 包相比，datatable 模塊具有更快的執(zhí)行速度，這是其在處理大型數(shù)據(jù)集時(shí)的一大優(yōu)勢所在。然而，就功能而言，目前 datatable 包所包含的功能還不如 pandas 完善。相信在不久的將來，不斷完善的 datatable 能夠更加強(qiáng)大。
