项目简介
鉴于项目保密的需要，不便透露太多项目的信息，因此，简单介绍一下项目存在的难点：
- 海量数据：项目是对CSV文件中的数据进行处理，而特点是数据量大...真的大！！！拿到的第一个CSV示例文件是110多万行(小CASE)，而第二个文件就到了4500万行，等到第三个文件......好吧，一直没见到第三个完整示例文件，因为太大了，据说是第二个示例文件的40多倍，大概二十亿行......
- 业务逻辑复杂：项目是需要对CSV文件的每一行数据的各种组合可能性进行判断，而判断的业务逻辑较为复杂，如何在解决复杂逻辑的同时保证较高的处理效率是难点之一。
项目笔记与心得
1.分批处理与多进程及多线程加速
- 因为数据量太大，肯定是要分批对数据进行处理，否则，效率低不谈，大概率也没有足够的内存能够支撑，需要用到chunksize，此外，为了节约内存，以及提高处理效率，可以将文本类的数据存储为“category”格式：
- 项目整体是计算密集型的任务，因此，需要用到多进程，充分利用CPU的多核性能；
- 多线程进行读取与写入，其中，写入使用to_csv的增量写入方法，mode参数设置为'a'；
- 多进程与多线程开启一般为死循环，需要在合适的位置，放入结束循环的信号，以便处理完毕后退出多进程或多线程
"""鉴于项目保密需要，以下代码仅为示例"""
import time
import pathlib as pl
import pandas as pd
from threading import Thread
from multiprocessing import Queue, Process, cpu_count
# 导入多线程Thread,多进程的队列Queue,多进程Process，CPU核数cpu_count
# 存放分段读取的数据队列，注：maxsize控制队列的最大数量，避免一次性读取到内存中的数据量太大
data_queue = Queue(maxsize=cpu_count() * 2)
# 存放等待写入磁盘的数据队列
write_queue = Queue()
def read_data(path: pl.Path, data_queue: Queue, size: int = 10000):
"""
读取数据放入队列的方法
:return:
"""
data_obj = pd.read_csv(path, sep=',', header=0, chunksize=size, dtype='category')
for idx, df in enumerate(data_obj):
while data_queue.full(): # 如果队列满了，那就等待
time.sleep(1)
data_queue.put((idx + 1, df))
data_queue.put((None, None)) # 放入结束信号
def write_data(out_path: pl.Path, write_queue: Queue):
"""
将数据增量写入CSV的方法
:return:
"""
while True:
while write_queue.empty():
time.sleep(1)
idx, df = write_queue.get()
if df is None:
return # 结束退出
df.to_csv(out_path, mode='a', header=None, index=False, encoding='ansi') # 输出CSV
def parse_data(data_queue: Queue, write_queue: Queue):
"""
从队列中取出数据，并加工的方法
:return:
"""
while True:
while write_queue.empty():
time.sleep(1)
idx, df = data_queue.get()
if df is None: # 如果是空的结束信号，则结束退出进程，
# 特别注意结束前把结束信号放回队列，以便其他进程也能接收到结束信号！！！
data_queue.put((idx, df))
return
"""处理数据的业务逻辑略过"""
write_queue.put((idx, df)) # 将处理后的数据放入写队列
# 创建一个读取数据的线程
read_pool = Thread(target=read_data, args=(read_data_queue, *args))
read_pool.start() # 开启读取线程
# 创建一个增量写入CSV数据的线程
write_pool = Thread(target=write_data, args=(write_data_queue, *args))
write_pool.start() # 开启写进程
pools = [] # 存放解析进程的队列
for i in range(cpu_count()): # 循环开启多进程，不确定开多少个进程合适的情况下，那么按CPU的核数开比较合理
pool = Process(target=parse_data, args=(read_data_queue, write_data_queue, *args))
pool.start() # 启动进程
pools.append(pool) # 加入队列
for pool in pools:
pool.join() # 等待所有解析进程完成
# 所有解析进程完成后，在写队列放入结束写线程的信号
write_data_queue.put((None, None))
write_pool.join() # 等待写线程结束
print('任务完成')
2.优化算法提高效率
将类对象存入dataframe列
在尝试了n种方案之后，最终使用了将类对象存到dataframe的列中，使用map方法，运行类方法，最后，将运行结果展开到多列中的方式。该方案本项目中取得了最佳的处理效率。
"""鉴于保密需要，以下代码仅为示例"""
class Obj:
def __init__(self, ser: pd.Series):
"""
初始化类对象
:param ser: 传入series
"""
self.ser = ser # 行数据
self.attrs1 = [] # 属性1
self.attrs2 = [] # 属性2
self.attrs3 = [] # 属性3
def __repr__(self):
"""
自定义输出
"""
attrs1 = '_'.join([str(a) for a in self.attrs1])
attrs2 = '_'.join([str(a) for a in self.attrs2])
attrs3 = '_'.join([str(a) for a in self.attrs3])
return '_'.join([attrs1, attrs2, attrs3])
def run(self):
"""运行业务逻辑"""
# 创建obj列，存入类对象
data['obj'] = data.apply(lambda x: Obj(x), axis=1)
# 运行obj列中的类方法获得判断结果
data['obj'] = data['obj'].map(lambda x: x.run())
# 链式调用，1将类对象文本化->2拆分到多列->3删除空列->4转换为category格式
data[['col1', 'col2', 'col3', ...省略]] = data['obj'].map(str).str.split('_', expand=True).dropna(axis=1).astype('category')
# 删除obj列
data.drop(columns='obj', inplace=True)
减少计算次数以提高运行效率
在整个优化过程中，对运行效率产生最大优化效果的有两项：
- 一是改变遍历算法，采用直接对整行数据进行综合判断的方法，使原需要遍历22个组合的计算与判断大大减少
- 二是提前计算特征组合，制作成字典，后续直接查询结果，而不再进行重复计算
使用numpy加速计算
numpy还是数据处理上的神器，使用numpy的方法，比自己实现的方法效率要高非常多，本项目中就用到了：bincount、argsort，argmax、flipud、in1d、all等，即提高了运行效率，又解决了逻辑判断的问题：
"""numpy方法使用示例""" import numpy as np # 计算数字的个数组合bincount np.bincount([9, 2, 13, 12, 9, 10, 11]) # 输出结果：array([0, 0, 1, 0, 0, 0, 0, 0, 0, 2, 1, 1, 1, 1], dtype=int64) # 取得个数最多的数字argmax np.argmax(np.bincount([9, 2, 13, 12, 9, 10, 11])) # 输出结果: 9 # 将数字按照个数优先，其次大小进行排序argsort np.argsort(np.bincount([9, 2, 13, 12, 9, 10, 11])) # 输出结果：array([ 0, 1, 3, 4, 5, 6, 7, 8, 2, 10, 11, 12, 13, 9], dtype=int64) # 翻转列表flipud np.flipud(np.argsort(np.bincount([9, 2, 13, 12, 9, 10, 11]))) # 输出结果: array([ 9, 13, 12, 11, 10, 2, 8, 7, 6, 5, 4, 3, 1, 0], dtype=int64) # 查找相同值in1d np.in1d([2, 3, 4], [2, 9, 3]) # 输出结果: array([ True, True, False]) 注：指2,3True，4False np.all(np.in1d([2, 3], [2, 9, 3])) # 输出结果: array([ True, True]) # 是否全是all np.all(np.in1d([2, 3, 4], [2, 9, 3])) # 判断组合1是否包含在组合2中 # 输出结果: False np.all(np.in1d([2, 3], [2, 9, 3])) # 输出结果: True
优化前后的效率对比
总结
优化算法是在这个项目上时间花费最多的工作（没有之一）。4月12日接单，10天左右出了第1稿，虽能运行，但回头看存在两个问题:一是有bug需要修正，二是运行效率不高(4500万行数据，执行需要1小时21分钟，如果只是在这个版本上debug需要增加判断条件，效率只会更低)；后20多天是在不断的优化算法的同时对bug进行修正，最后版本执行相同数据只需要不足30分钟，效率提高了一倍多。回顾来看，虽然调优花费的时间多，但是每一个尝试不论成功还是失败都是一次宝贵的经验积累。
到此这篇关于Python详解复杂CSV文件处理方法的文章就介绍到这了,更多相关Python CSV文件处理内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！