在做数据挖掘时,我们常常因为自身电脑的配置不高,所以在运行代码时出现,cpu利用率太高或者内存使用率直接爆表的情况。在这里我介绍一种处理方法,这种方法所传递的思想,也可以用到类似的场景中去。本文是基于Isolation forest处理异常数据所采用的方法,其中原始数据非常庞大,数据量超过千万条,虽然Isolation forest这个算法实用性非常大,但是当数据量达到一定程度时,对于电脑硬件也是非常吃力的。所以我这里直接使用了一个分块批处理的思想方法(批处理思想:将一个大规模数据分成多个小块进行计算,然后汇总整合得出结果),这种思想在计算机领域应用很广泛,我在这里再补充一点,这种方法更多的是给一些初学者提高一个思考的方向,用以提高效率,解决实际问题。
数据量:1000w以上
运行环境:python3.7+pycharm
代码:
#!/usr/bin/env python3 #coding=utf-8 import pandas as pd from sklearn.ensemble import IsolationForest import os import numpy as np #使用isolation forest算法去除异常 def fileter_sale_data(): rfilename='a.csv' df=pd.read_csv(rfilename,engine='python',encoding='utf-8') need_col=np.array(df['discount_price'].values) ifmodel=IsolationForest(n_jobs=-