↑关注+星标,听说他有点东西
全文共1607字,阅读全文需12分钟
大家好,我是小一
今天分享一个数据清洗小技巧,可以让你在遇到 百万、千万级别数据 的时候游刃有余。
先来说说问题的背景
现在有一个 csv 格式的数据集,大概 2千万条 左右的样子,存储的是用户的网络交互数据,其中电话号码作为用户的唯一标识。
再来看看我们要做啥
首先我们需要针对这批用户确定所属运营商,其次根据交互数据对各运营商的用户感知情况进行分析,最后给出各运营商的相应优化解决措施。
这个目标的第一部分:确定用户归属运营商,正好可以用今天这个小技巧去解决。
判断两千万个号码中每个号码归属的运营商,你应该首先会想到循环遍历。
但是你如果真的挨个号码去遍历一次,你会发现读一遍数据都需要好久,甚至可能会需要几分钟、十几分钟。
所以今天会用到 Pandas 中的矢量化操作,通过 isin 函数进行筛选过滤,完成上面这个任务 只需要一两秒
矢量化操作
矢量化