pandas效率探索

在数据挖掘任务中,特征工程占据相当大的工作量。最近做唯品会购物预测的比赛中,发现生成特征时候,使用list的append方法去连接不同样本的特征比用pandas的concat方法效率提高很大。然后再尝试用并行的方式对concat方法进行优化,发现无任何提高,不知道是不是姿势不对。 把代码粘贴一下,记录一下,tt是抽取的一个(100000,4)大小的dataframe进行运行时间的比较

1.append生成特征集

start = time()
X = []
for each_uid,group in tt.groupby(by=['uid']):
    time_alpha = datetime.date(1900,3,20)
    time_alpha2 = datetime.date(1900,4,1)
    #df = pd.Series({'uid':each_uid})
    user_activity = group.shape[0] #用户活跃度user_activity :总浏览次数
    user_buyablity = group[group['action_type'] == 1].shape[0] #用户购买力:总购买数量
    user_takerate = user_buyablity/user_activity #转化率
    user_near_activity = 0 #最近10天的活跃度
    for i in group['date']:
        if(i.date() > time_alpha):
            user_near_activity += 1
    user_first_time = min(group['date']).date()#第一次活跃时间
    user_last_time = max(group['date']).date()#最后一次活跃时间
    user_timedalta = (user_last_time - user_first_time).days#用户总活跃时间差
    user_near_timedelta = (time_alpha2 - user_last_time).days#用户最有一次活跃距离4.1的天数
    X1 = [each_uid,user_activity,user_buyablity,user_takerate,user_near_activity,user_timedalta,user_near_timedelta]
    X.append(X1)
names = ['each_uid','user_activity','user_buyablity','user_takerate','user_near_activity','user_timedalta','user_near_timedelta']
X = pd.DataFrame(X,columns=names)
stop = time()
print(str(stop-start) + "秒")

运行时间:42.0529999733秒

2.concat生成特征集

start = time()
X = pd.DataFrame()
for each_uid,group in tt.groupby(by=['uid']):
    time_alpha = datetime.date(1900,3,20)
    time_alpha2 = datetime.date(1900,4,1)
    df = pd.Series({'uid':each_uid})
    user_activity = group.shape[0] #用户活跃度user_activity :总浏览次数
    user_buyablity = group[group['action_type'] == 1].shape[0] #用户购买力:总购买数量
    user_takerate = user_buyablity/user_activity #转化率
    user_near_activity = 0 #最近10天的活跃度
    for i in group['date']:
        if(i.date() > time_alpha):
            user_near_activity += 1
    user_first_time = min(group['date']).date()#第一次活跃时间
    user_last_time = max(group['date']).date()#最后一次活跃时间
    user_timedalta = (user_last_time - user_first_time).days#用户总活跃时间差
    user_near_timedelta = (time_alpha2 - user_last_time).days#用户最有一次活跃距离4.1的天数
    df['user_activity'] = user_activity
    df['user_buyablity'] = user_buyablity
    df['user_takerate'] = user_takerate
    df['user_near_activity'] = user_near_activity
    df['user_timedalta'] = user_timedalta
    df['user_near_timedelta'] = user_near_timedelta
    X = pd.concat([X,df.to_frame().T], axis=0)
stop = time()
print(str(stop-start) + "秒")

运行时间:284.087000132秒

3.并行处理

def applyParallel(dfGrouped,func):
    with Parallel(n_jobs=32) as parallel:
        retLst = parallel(delayed(func)(group) for name, group in dfGrouped )
        return pd.concat(retLst, axis=0)
    
#user features user_num = 196030
#style 3:
def getUserFeatures(group):
    time_alpha = datetime.date(1900,3,20)
    time_alpha2 = datetime.date(1900,4,1)
    df = pd.Series({'uid':group.iloc[0]['uid']})
    user_activity = group.shape[0] #用户活跃度user_activity :总浏览次数
    user_buyablity = group[group['action_type'] == 1].shape[0] #用户购买力:总购买数量
    user_takerate = user_buyablity/user_activity #转化率
    user_near_activity = 0 #最近10天的活跃度
    for i in group['date']:
        if(i.date() > time_alpha):
            user_near_activity += 1
    user_first_time = min(group['date']).date()#第一次活跃时间
    user_last_time = max(group['date']).date()#最后一次活跃时间
    user_timedalta = (user_last_time - user_first_time).days#用户总活跃时间差
    user_near_timedelta = (time_alpha2 - user_last_time).days#用户最有一次活跃距离4.1的天数
    df['user_activity'] = user_activity
    df['user_buyablity'] = user_buyablity
    df['user_takerate'] = user_takerate
    df['user_near_activity'] = user_near_activity
    df['user_timedalta'] = user_timedalta
    df['user_near_timedelta'] = user_near_timedelta
    return df.to_frame().T
    
X = applyParallel(tt.groupby(by=['uid']),getUserFeatures)

运行时间:卡住

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,445评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,889评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,047评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,760评论 1 276
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,745评论 5 367
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,638评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,011评论 3 398
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,669评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,923评论 1 299
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,655评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,740评论 1 330
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,406评论 4 320
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,995评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,961评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,197评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,023评论 2 350
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,483评论 2 342

推荐阅读更多精彩内容