Python 如何在大熊猫数据框中分割日、时、分、秒数据?
我是Python新手,我正在为一门数据科学课做一个项目。我有一个很大的csv文件(大约1.9亿行,大约7GB的数据),首先,我需要做一些数据准备 完整免责声明:这里的数据来自此 下面是Jupyter笔记本上的一张带有标题的图片。虽然它读取的是Python 如何在大熊猫数据框中分割日、时、分、秒数据?,python,pandas,csv,split,bigdata,Python,Pandas,Csv,Split,Bigdata,我是Python新手,我正在为一门数据科学课做一个项目。我有一个很大的csv文件(大约1.9亿行,大约7GB的数据),首先,我需要做一些数据准备 完整免责声明:这里的数据来自此 下面是Jupyter笔记本上的一张带有标题的图片。虽然它读取的是full_data.head(),但我使用了一个100000行的示例来测试代码。 最重要的一列是单击时间。格式为:dd hh:mm:ss。我想把它分成4列:天、小时、分钟和秒。我已经找到了一个可以很好地处理这个小文件的解决方案,但是在10%的真实数据上运行
full_data.head()
,但我使用了一个100000行的示例来测试代码。
最重要的一列是单击时间
。格式为:dd hh:mm:ss
。我想把它分成4列:天、小时、分钟和秒。我已经找到了一个可以很好地处理这个小文件的解决方案,但是在10%的真实数据上运行需要很长时间,更不用说在100%的真实数据上运行了(因为现在读取完整的csv是一个大问题,所以我甚至没能尝试)
这是:
# First I need to split the values
click = full_data['click_time']
del full_data['click_time']
click = click.str.replace(' ', ':')
click = click.str.split(':')
# Then I transform everything into integers. The last piece of code
# returns an array of lists, one for each line, and each list has 4
# elements. I couldn't figure out another way of making this conversion
click = click.apply(lambda x: list(map(int, x)))
# Now I transform everything into unidimensional arrays
day = np.zeros(len(click), dtype = 'uint8')
hour = np.zeros(len(click), dtype = 'uint8')
minute = np.zeros(len(click), dtype = 'uint8')
second = np.zeros(len(click), dtype = 'uint8')
for i in range(0, len(click)):
day[i] = click[i][0]
hour[i] = click[i][1]
minute[i] = click[i][2]
second[i] = click[i][3]
del click
# Transforming everything to a Pandas series
day = pd.Series(day, index = full_data.index, dtype = 'uint8')
hour = pd.Series(hour, index = full_data.index, dtype = 'uint8')
minute = pd.Series(minute, index = full_data.index, dtype = 'uint8')
second = pd.Series(second, index = full_data.index, dtype = 'uint8')
# Adding to data frame
full_data['day'] = day
del day
full_data['hour'] = hour
del hour
full_data['minute'] = minute
del minute
full_data['second'] = second
del second
结果还可以,这正是我想要的,但必须有一种更快的方法:
关于如何改进此实施有何想法?如果有人对数据集感兴趣,请访问test_sample.csv:
提前多谢
编辑1:在@COLDSPEED请求之后,我提供了
完整数据.head.to_dict()的结果。
:
一种解决方案是首先按空格分割,然后转换为
datetime
对象,然后直接提取组件
import pandas as pd
df = pd.DataFrame({'click_time': ['07 09:30:38', '07 13:40:27', '07 18:05:24',
'07 04:58:08', '09 09:00:09', '09 01:22:13',
'09 01:17:58', '07 10:01:53', '08 09:35:17',
'08 12:35:26']})
df[['day', 'time']] = df['click_time'].str.split().apply(pd.Series)
df['datetime'] = pd.to_datetime(df['time'])
df['day'] = df['day'].astype(int)
df['hour'] = df['datetime'].dt.hour
df['minute'] = df['datetime'].dt.minute
df['second'] = df['datetime'].dt.second
df = df.drop(['time', 'datetime'], 1)
结果
click_time day hour minute second
0 07 09:30:38 7 9 30 38
1 07 13:40:27 7 13 40 27
2 07 18:05:24 7 18 5 24
3 07 04:58:08 7 4 58 8
4 09 09:00:09 9 9 0 9
5 09 01:22:13 9 1 22 13
6 09 01:17:58 9 1 17 58
7 07 10:01:53 7 10 1 53
8 08 09:35:17 8 9 35 17
9 08 12:35:26 8 12 35 26
一种解决方案是首先按空格分割,然后转换为
datetime
对象,然后直接提取组件
import pandas as pd
df = pd.DataFrame({'click_time': ['07 09:30:38', '07 13:40:27', '07 18:05:24',
'07 04:58:08', '09 09:00:09', '09 01:22:13',
'09 01:17:58', '07 10:01:53', '08 09:35:17',
'08 12:35:26']})
df[['day', 'time']] = df['click_time'].str.split().apply(pd.Series)
df['datetime'] = pd.to_datetime(df['time'])
df['day'] = df['day'].astype(int)
df['hour'] = df['datetime'].dt.hour
df['minute'] = df['datetime'].dt.minute
df['second'] = df['datetime'].dt.second
df = df.drop(['time', 'datetime'], 1)
结果
click_time day hour minute second
0 07 09:30:38 7 9 30 38
1 07 13:40:27 7 13 40 27
2 07 18:05:24 7 18 5 24
3 07 04:58:08 7 4 58 8
4 09 09:00:09 9 9 0 9
5 09 01:22:13 9 1 22 13
6 09 01:17:58 9 1 17 58
7 07 10:01:53 7 10 1 53
8 08 09:35:17 8 9 35 17
9 08 12:35:26 8 12 35 26
转换为
timedelta
并提取组件:
v = df.click_time.str.split()
df['days'] = v.str[0].astype(int)
df[['hours', 'minutes', 'seconds']] = (
pd.to_timedelta(v.str[-1]).dt.components.iloc[:, 1:4]
)
转换为
timedelta
并提取组件:
v = df.click_time.str.split()
df['days'] = v.str[0].astype(int)
df[['hours', 'minutes', 'seconds']] = (
pd.to_timedelta(v.str[-1]).dt.components.iloc[:, 1:4]
)
请做
full_data.head()。to_dict()
并在您的问题中发布数据,重现您的示例并不容易。刚刚完成,谢谢!谢谢,这很有帮助。请执行完整的\u data.head()。到\u dict()
并将数据发布到您的问题中,重现您的示例并不容易。刚刚完成,谢谢!谢谢,这很有帮助。谢谢你的回答!谢谢你的回答!成功了!虽然花的时间比我想象的要多。运行10%的完整数据(MacBookPro i5,8GB内存)大约需要5分钟。这是一个非常干净的实现,非常感谢!我所做的唯一修改是将数字类型指定为uint8
。它确实会对内存使用产生影响。再次感谢!成功了!虽然花的时间比我想象的要多。运行10%的完整数据(MacBookPro i5,8GB内存)大约需要5分钟。这是一个非常干净的实现,非常感谢!我所做的唯一修改是将数字类型指定为uint8
。它确实会对内存使用产生影响。再次感谢!