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
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]=0
で25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
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。
- 質問回答など一定の行動
-
メールアドレスの認証
メールアドレスの認証
-
質問評価に関するヘルプページの閲覧
質問評価に関するヘルプページの閲覧
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
-
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。
+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。
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
2017/03/21 10:13
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！
2017/03/21 12:47