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

88.12%

PythonのPandasを利用してPivot風にデータ集約するための前処理について

解決済

回答 2

投稿

  • 評価
  • クリップ 0
  • VIEW 2,615

score 8

前提・実現したいこと

300万行ほどの下記のようなデータがあり(CSV)、
その際、欠損値や型違いの値を削除もしくは別の値に置き換えています。

この処理速度を速くするために良い方法はないでしょうか?

◆CSVデータ(test.csv)
item,earnings
商品A,123
商品B,
商品A,aaa
商品B,111
商品C,商品

このように、金額の列に欠損値や型違いの値があるため、クリーニング処理をしています。

発生している問題・エラーメッセージ

(2)earnings列をint型に変換するところ
for i, v in df.iterrows():
    try:
        df.ix[i,1]=int(df.ix[i,1])
    except:
        df.ix[i,1]=025分程度

df_pivot = df.pivot_table(values = ['earnings'],index = ['item'],aggfunc = 'sum’)
で7分程度かかっています。

該当のソースコード

import pandas as pd
#表示する行数を設定
#CSV読み込み
df = pd.read_csv('test.csv', names=['item','earnings'],skiprows=1)
#----クリーニング処理----#
#(1)NULL行削除
df=df.dropna()
#(2)earnings列をint型に変換する
#このとき、エラーとなった場合に「0」を入れる(ここで型違いがあるかどうかを判別している)
for i, v in df.iterrows():
    try:
        df.ix[i,1]=int(df.ix[i,1])
    except:
        df.ix[i,1]=0

#---PIVOT----#
df_pivot = df.pivot_table(values = ['earnings'],index = ['item'],aggfunc = 'sum')
#降順に並び替え
df_pivot=df_pivot.sort_values(by="earnings",ascending=False)
#CSVに出力
df_pivot.to_csv('pivot.csv')

補足情報(言語/FW/ツール等のバージョンなど)

Python 3.5.1 
Mac OS10.11.6
MacBook Pro (Retina, 13-inch, Late 2013)
2.6 GHz Intel Core i5
メモリ 8 GB 1600 MHz DDR3

  • 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。

回答 2

checkベストアンサー

+2

  • pandas には to_numeric という便利な関数があるので、それを使ってみるのはどうでしょうか。 
  • erros="coerce" を オプションにしていると型違いのデータは「NaN」扱いになります。
  • その後さらに、dropna で NaN扱いのレコードを削除すれば、最終的にpivot_tableで集計する行数も減るので早くなりそうな気がします。
# (1) NULL行削除
df = df.dropna()
# (2) earnings を to_numeric 数値化する、型違いは NaN になる
df.earnings = pd.to_numeric(df.earnings, errors='coerce')
# (3) NULL行を削除
df = df.dropna()

投稿

編集

  • 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。

  • 2017/03/21 10:13

    ご連絡遅くなり申し訳ございません。
    とても参考になりました!
    試した所、該当部分は1秒ほどで処理が終わり、全体の処理も19秒程度で完了しました。
    感激です!
    こんなに便利な関数があるとは知りませんでした。

    本当にありがとうございました!

    キャンセル

  • 2017/03/21 12:47

    結果の連絡ありがとうございます。多少なりともお力になれて嬉しいです。

    キャンセル

+1

def try_convert_int(x):
  try:
    return int(x)
  except:
    return 0


df['earnings'] = df['earnings'].apply(try_convert_int, convert_dtype=int)

apply使ったらもう少し速そうですけどいかがでしょう。

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。

  • 2017/03/21 10:17

    ご連絡遅くなり申し訳ございません。

    ベストアンサーにはtell_kさんにさせていただきましたが、
    yubaさんに頂いた処理も本当に遜色なく、処理速度もほぼ一緒でございました。
    行数がtell_kさんの方が数行短いということで、ベストアンサーとさせていただきました。

    お二方に別々の手法を教えていただき大変感謝しております。

    キャンセル

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 88.12%
  • 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

関連した質問

同じタグがついた質問を見る