使用python pandas进行并行数据加载
下面这行代码涉及到,数据加载以及数据合并。我会逐步拆解这行代码,讲解其中的知识点。
应用场景
加载大批量的数据,数据量巨大时,该方法有很大优势。
主要操作
- 并行处理:使用
joblib
库的Parallel
和delayed
函数来并行读取多个ZIP压缩的CSV文件。 - 数据加载:通过
pandas
的read_csv
函数加载CSV文件。 - 数据合并:使用
pandas
的concat
函数将所有读取的DataFrame合并成一个大的DataFrame。
代码拆解
import pandas as pd
from joblib import Parallel,delayed
from glob import glob
zip_list = glob(os.path.join(zip_path, symbol, f'{symbol}*.zip'))
df = pd.concat(
Parallel(n_jobs=4)(
delayed(pd.read_csv)(
path_, header=None, encoding="utf-8", compression='zip',
names=['open_time', 'open', 'high', 'low', 'close', 'volume',
'close_time', 'quote_volume', 'trade_num',
'taker_buy_base_asset_volume', 'taker_buy_quote_asset_volume',
'ignore']
) for path_ in zip_list
), ignore_index=True)
-
glob(dir path)
- 获取文件路径 获取符合特定模式的文件路径,使用
*
来代表任意的字符。
- 获取文件路径 获取符合特定模式的文件路径,使用
-
Parallel(n_jobs=4)
:- 并行处理:
Parallel
是joblib
库中用于并行执行任务的函数。n_jobs=4
参数指定并发执行的任务数量,这里设置为4,意味着同时运行4个进程。
- 并行处理:
-
delayed(function)(parameters)
:- 延迟执行:
delayed
是一个将函数调用包装起来,以便Parallel
可以并行执行的工具。这里它包装了pd.read_csv
函数及其参数。
- 延迟执行:
-
pd.read_csv
:- 数据加载:这是
pandas
库中用于读取CSV文件的函数。这里它被用来读取ZIP压缩的CSV文件,参数配置如下:header=None
:指示原始数据没有列名,将不自动将第一行作为列名。encoding="utf-8"
:指定文件的字符编码。compression='zip'
:指定文件是ZIP格式的压缩文件。names=[...]
:手动指定列名列表,这是因为header=None
,所以需要明确列名。
- 数据加载:这是
-
列表推导式:
- 迭代读取:这里使用列表推导式(
for path_ in zip_list
)来迭代ZIP文件列表zip_list
,对每个路径使用pd.read_csv
读取数据。
- 迭代读取:这里使用列表推导式(
-
pd.concat
:- 数据合并:将列表推导式读取并由
Parallel
并行处理的所有DataFrame合并成一个大的DataFrame。ignore_index=True
参数意味着在合并时忽略原来的索引,生成一个新的连续索引。
- 数据合并:将列表推导式读取并由
技术点
- 并行计算:使用
joblib
库进行并行计算,提高数据处理效率。 - 列表推导式:一种简洁的构建列表的方法,用于迭代操作和条件表达式。
- Pandas数据处理:使用
pandas
进行数据读取、处理和合并。 - 文件读取:处理ZIP压缩格式的文件,以及对CSV文件进行读取和解析。
- 函数延迟执行:通过
delayed
对函数调用进行延迟,以便并行处理。
相关知识 —— 并行计算
我们会使用joblib
来演示如何并行计算一个简单的任务:计算一系列数字的平方。
from joblib import Parallel, delayed
def compute_square(number):
return number * number
# 定义一个数字列表
numbers = range(10)
# 使用joblib并行计算每个数字的平方
squared_numbers = Parallel(n_jobs=2)(delayed(compute_square)(i) for i in numbers)
print(squared_numbers)
- 解释:在这个例子中,
compute_square
函数计算一个数字的平方。使用joblib
的Parallel
函数和delayed
函数,并行地对numbers
列表中的每个数字调用compute_square
函数。n_jobs=2
参数指示同时使用两个核心。这样,计算过程被分配到两个进程中,加快执行速度。