質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

89.20%

pythonのpandasでのピボット風データ集約(サイズ大)について

解決済

回答 2

投稿 編集

  • 評価
  • クリップ 1
  • VIEW 4,895

uraco

score 15

レコード数が300万ぐらいのログデータがあります。
以下の集計したい項目のほかに、urlや時間などの項目もあります。。

id    item
aaa   002
aaa   005
bbb   006
ccc   003

これをpandasのread_csvで読み込み、indexを「id」、columnsを「item」として、
データ数をカウントしたいと思っております。

下記2つの方法を試しましたが、うまくいきませんでした。

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
・1通り目:pivotで集約
 pivot_tableで集約しようとすると、次のようなエラーが出ます。

df.pivot_table('url',index='id',columns='item',aggfunc='count')

 「ValueError: negative dimensions are not allowed」

 ネットで検索した結果、「サイズの大きく、かつ、スパースなndarrayを操作すると発生する」ようです。
 なので、pivotでは集計が難しいでしょうか…?

~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
・2通り目:for文で地道に計算
 下記のようなに集計しようとすると、PCがフリーズしてしまいます。

df=pd.read_csv('logdata.csv')
df1 = DataFrame(index=df['id'].unique(),columns=df['item'].unique())
for i in range(len(df['id'])):
 df1.ix[df.iloc[i,0],df.iloc[i,1]]=1


~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

いずれの方法でも、データ量が1万程度なら問題なく動くことを確認しています。

1通り目に関してのpivotでのエラーの回避方法、もしくは別の方法などのお知恵をいただければ幸いです。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • lightson

    2016/06/06 23:15

    次の点を教えてもらえますか。
    ・pivot_tableをどのように書いたか
    ・二つ目の方法のf2とはなんですか

    キャンセル

  • uraco

    2016/06/07 07:48 編集

    pivot_tableは、他の使用していないnullのないカラムをカウント用に指定して集計しました。
    二つ目のコードに間違いがあり、修正しました。失礼しました。。
    よろしくお願いします!

    キャンセル

回答 2

+1

一千万個のダミーデータを作って動かしてみたところ、Macbook air 4Gで50秒程度で答えがでました。
実際のデータはどのようなものかはわかりませんが、集計に不必要なものを除いたデータフレームを作って試してみてはいかがでしょうか。

import random
import pandas as pd

ids=['aaa','bbb','ccc','ddd','eee','fff']
items = ['001','002','003','004','005']

lst=[]
for i in xrange(10000000):
    lst.append([random.choice(ids),random.choice(items),i])

df = pd.DataFrame(lst)
df.columns=['id','item','cnt']
df_cnt = df.pivot_table(values='cnt',index='id',columns='item',aggfunc='count')
print df_cnt


結果
item     001     002     003     004     005
id                                          
aaa   333172  332853  332715  332805  333969
bbb   333405  332291  333239  333484  333567
ccc   332545  333176  333521  333197  332859
ddd   333978  333837  333153  333673  333523
eee   332649  333473  332910  332809  334210
fff   333865  332900  333881  334287  334054

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

  • 2016/06/08 12:26 編集

    ご回答ありがとうございます。
    また、ダミーデータでのご確認もありがとうございます。参考になりました。

    私の説明不足となり恐縮ですが、実際のデータは、idの数がユニークにすると47万件、itemの数は同様に19万件あります。。。
    これが、「ValueError: negative dimensions are not allowed」というエラーになってしまう原因なのでしょうか・・・?

    もしそうなのであれば、pivotでの処理ではなく、他のコードでも結構です。
    よい方法はありませんでしょうか?

    キャンセル

  • 2016/06/08 20:35

    実際のデータがないのではっきりとは分かりませんが、IDやitemの数が多いせいではないと思います。エラーが「サイズの大きく、かつ、スパースなndarrayを操作すると発生する」が正しいなら、読み込んだデータからIDとitemだけのデータフレームを作り、それに対して処理を行えば、うまくいくのではないでしょうか。

    キャンセル

  • 2016/06/10 12:07

    アドバイスありがとうございました。
    必要な項目だけに絞って実行もしてみましたが、pivotにしようとすると、カウント「0」が多くなってしまうので、それがエラーの原因のような気がしています。

    >読み込んだデータからIDとitemだけのデータフレームを作り、それに対して処理
    こちらは質問に記載のようなfor文で地道にやりましたが、動きませんでした。。

    キャンセル

check解決した方法

0

今回は、pandasデータフレーム上での操作がうまくいかなかったので、フローを変え、csvデータから直接辞書型のデータを作成する方法で対処することにいたしました。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 89.20%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる