python—如何处理在一百万列csv中计算两列的相关性？

qlvxas9a 于 2021-09-08 发布在 Java

关注(0)|答案(2)|浏览(536)

脚本：
我有一个csv，第一列是“年龄”，还有100万个其他列。我想找出与年龄最相关的栏目。
行数很低，比如说低于1000行。
这是用python编写的大型解决方案的一部分，但不一定是python。
像大多数事情一样，我希望在代码可读性和性能之间取得平衡
在下面的例子中，为了简单起见，我只看了一列。真正的解决方案可能会使用所有COL的多重处理。
我有下面的代码可以工作，但可以理解的是，csv存储为非常（非常！）宽。
如果是你，你会怎么做？
cmdline： python mycode.py myfile.csv columnname-to-measure ```
import pandas as pd
from scipy import stats
import os,sys

if name=="main":

_DATAFILE = sys.argv[1]

##Sample tiny datafile

#Age,m1,m2,m3
#35,0.00234,0.1,1
#30,0.0034,0.2,2
#40,0.0013,0.3,4

_MEASURE=sys.argv[2]

print("Parsing file %s" %(_DATAFILE))

df = pd.read_csv(_DATAFILE)
print(f"Corellating {_MEASURE} with Age")
all =df[['Age',_MEASURE]].copy()
allna=all[all[_MEASURE].notna()]
pearson_coef, p_value = stats.pearsonr( allna['Age'].values,allna[_MEASURE].values)
print(pearson_coef,p_value)

python pandas csv bigdata pearson-correlation

来源：https://stackoverflow.com/questions/68323807/how-would-you-tackle-computing-a-correlation-of-two-columns-within-a-1-million-c

2条答案

按热度按时间

6vl6ewon1#

正在使用 pandas.DataFrame.corr 对于您的用例来说太慢了？它将计算一系列不必要的相关性，但我从这里开始。如果太慢，你可以试试 numpy.corrcoef . 我将这两者与您的示例数据进行了比较：

data = [[35,0.00234,0.1,1],
        [30,0.0034,0.2,2],
        [40,0.0013,0.3,4]]

df = pd.DataFrame(data, columns=['Age', 'm1', 'm2', 'm3'])
np_data = df.to_numpy()

给他们定时间 %timeit jupyter实验室环境中的神奇功能：

%timeit df.corr()

产量 216 µs ± 24.3 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) . 尝试 numpy 路线：

%timeit np.corrcoef(np_data, rowvar=False)

产量 88 µs ± 1.4 µs per loop (mean ± std. dev. of 7 runs, 10000 loops each) . 所以 np.corrcoef 速度快一点。
比照 scipy.stats.pearsonr ，我在函数中 Package 了一个列迭代策略，以对其进行计时：

def orig(df):
    for col in df.columns:
        pearson_coef, p_value = stats.pearsonr(df['Age'], df[col])

如果我们现在：

%timeit orig(df)

我们得到 450 µs ± 46.4 µs per loop (mean ± std. dev. of 7 runs, 1000 loops each) ，所以两者都是 pandas.DataFrame.corr 及 numpy.corrcoef 速度更快，尽管必须计算不必要的相关性。

赞(0）回复(0）举报 2021-09-08

vom3gejh2#

最好一次读取所有列并计算所有相关性，这样可以避免多次读取文件。或者，使用柱状存储（如Parquet）来存储文件，以便只能读取所需的列。看看PandasParquet地板和df.toParquet地板。
使用内置的关联方法往往更快（底层numpy实现）。https://pandas.pydata.org/docs/reference/api/pandas.dataframe.corr.html
我认为多重处理不会带来太多的速度，因为瓶颈是csv io时间，而不是相关计算时间。要么一次读取文件，要么使用Parquet或其他方式。

赞(0）回复(0）举报 2021-09-08

我来回答

python—如何处理在一百万列csv中计算两列的相关性？

2条答案

相关问题

热门标签

最新问答