Python可以缩短大型数据集的计算时间,目前运行大约需要400分钟
我正在努力提高我每天需要构建的数据帧的性能,我想知道是否有人有一些想法。我在下面创建了一个简单的示例: 首先,我有一个数据帧的记录,就像这样。这是时间序列数据,因此每天都会更新Python可以缩短大型数据集的计算时间,目前运行大约需要400分钟,python,pandas,large-data,Python,Pandas,Large Data,我正在努力提高我每天需要构建的数据帧的性能,我想知道是否有人有一些想法。我在下面创建了一个简单的示例: 首先,我有一个数据帧的记录,就像这样。这是时间序列数据,因此每天都会更新 import pandas as pd import numpy as np import datetime as dt from scipy import stats dates = [dt.datetime.today().date() - dt.timedelta(days=x) for x in range(2
import pandas as pd
import numpy as np
import datetime as dt
from scipy import stats
dates = [dt.datetime.today().date() - dt.timedelta(days=x) for x in range(2000)]
m_list = [str(i) + 'm' for i in range(0, 15)]
names = [i + j for i in m_list for j in m_list]
keys = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'I', 'J']
values = [pd.DataFrame([np.random.rand(225) for x in range(0, 2000)], index=dates, columns=names) for i in range(0, 10)]
df_dict = dict(zip(keys, values)) #this is my time series data
接下来我有三个列表:
#I will build a dict of DataFrames calc attributes for these combos for each df in dict_df above
combos = ['{}/{}'.format(*np.random.choice(names, 2)) for i in range(750)] + ['{}/{}/{}'.format(*np.random.choice(names, 3)) for i in range(1500)]
periods = [20, 60, 100, 200, 500, 1000, 2000] #num of datapoints to use from time series
benchmarks = np.random.choice(combos, 25) #benchmarks to compare combos to
这里是我构建所需数据帧的地方:
def calc_beta (a_series, b_series) :
covariance = np.cov (a_series, b_series)
beta = covariance[0, 1] / covariance[1, 1]
return beta
data_dict = {}
for i in list(df_dict.keys()) :
attr_list = []
df = df_dict[i]
for c in combos :
c_split = c.split('/')
combo_list = []
for cs in c_split :
_list = [int(x) for x in list(filter(None, cs.split('m')))]
combo_list.append(_list)
if len(combo_list) == 2 :
combo_list.append([np.nan, np.nan])
c1a, c1b, c2a, c2b, c3a, c3b = [item for subl in combo_list for item in subl]
if len(c_split) == 2 :
l1, l2 = c_split
_series = df[l1] - df[l2]
if len(c_split) == 3 :
l1, l2, l3 = c_split
_series = df[l1] - df[l2] - df[l3]
attr = {
'name' : c,
'a' : c1a,
'b' : c1b,
'c' : c2a,
'd' : c2b,
'e' : c3a,
'f' : c3b,
'series' : _series,
'last' : _series[-1]
}
for p in periods :
_str = str(p)
p_series = _series[-p:]
attr['quantile' + _str] = stats.percentileofscore(p_series, attr['last'])
attr['z_score' + _str] = stats.zscore(p_series)[-1]
attr['std' + _str] = np.std(p_series)
attr['range' + _str] = max(p_series) - min(p_series)
attr['last_range' + _str] = attr['last'] / attr['range' + _str]
attr['last_std' + _str] = attr['last'] / attr['std' + _str]
if p > 100 :
attr['5d_autocorr' + _str] = p_series.autocorr(-5)
else :
attr['5d_autocorr' + _str] = np.nan
for b in benchmarks :
b_split = b.split('/')
if len(b_split) == 1 :
b_series = df[b_split[0]]
elif len(b_split) == 2 :
b_series = df[b_split[0]] - df[b_split[1]]
elif len(b_split) == 3 :
b_series = df[b_split[0]] - df[b_split[1]] - df[b_split[2]]
b_series = b_series[-p:]
corr_value = p_series.corr(b_series)
beta_value = calc_beta (p_series, b_series)
corr_ticker = '{}_corr{}'.format(b, _str)
beta_ticker = '{}_beta{}'.format(b, _str)
attr[corr_ticker] = corr_value
attr[beta_ticker] = corr_value
if p > 500 :
attr[b + '_20rolling_corr_mean' + _str] = p_series.rolling(20).corr(b_series).mean()
df1 = pd.DataFrame({c : p_series, b : b_series})
attr[b + '_20d_rolling_beta_mean' + _str] = df1.rolling(20) \
.cov(df1 , pairwise=True) \
.drop([c], axis=1) \
.unstack(1) \
.droplevel(0, axis=1) \
.apply(lambda row: row[c] / row[b], axis=1) \
.mean()
attr_list.append(attr)
data_dict[i] = pd.DataFrame(attr_list)
这是实际数据的一般示例,但它几乎完全复制了我要做的,每种类型的计算,尽管我减少了数字以使其更简单
最后一部分在Dict中每个数据帧大约需要40分钟,即此数据集总共需要400分钟
我过去没有处理过大型数据集,据我所知,我需要最小化For循环和Apply函数,我已经做到了,但是我还应该做什么呢?感谢您的任何意见
谢谢所以,我去了一个黑暗的地方想办法帮你: 长的,短的是脚本末尾的两个函数,在这里p>500会让你丧命。当p500时,你会看到一些节省 最后,不管是你的代码还是我的代码,真正的问题是最后两个函数。其他一切都是小的,但真实的,节省和加起来,但重新思考最后一块可以节省你的一天
另一种选择是多处理或将其分解到多台机器上因此,我去了一个黑暗的地方,想找出一些方法来提供帮助: 长的,短的是脚本末尾的两个函数,在这里p>500会让你丧命。当p500时,你会看到一些节省 最后,不管是你的代码还是我的代码,真正的问题是最后两个函数。其他一切都是小的,但真实的,节省和加起来,但重新思考最后一块可以节省你的一天
另一种选择是多处理或将其分解到多台机器上我在最内部的循环中更改了一行,这为2000行的数据帧提供了1.6倍的加速 这并不能解决所有问题,但可能会有所帮助
for b in benchmarks:
...
if p > 500:
attr[b + '_20d_rolling_beta_mean' + _str] = (
df1
.rolling(5)
.cov(df1, pairwise=True)
.drop([c], axis=1)
.unstack(1)
.droplevel(0, axis=1)
# .apply(lambda row: row[c] / row[b], axis=1) # <-- removed
.assign(result = lambda x: x[c] / x[b]).iloc[:, -1].squeeze() # <-- added
.mean()
)
原始计时信息经过的时间,对于A中的前100个组合:
应用语句:142.6秒
assign语句:90.1秒
我改变了最内层循环中的一行,对于2000行的数据帧,它的加速比为1.6倍 这并不能解决所有问题,但可能会有所帮助
for b in benchmarks:
...
if p > 500:
attr[b + '_20d_rolling_beta_mean' + _str] = (
df1
.rolling(5)
.cov(df1, pairwise=True)
.drop([c], axis=1)
.unstack(1)
.droplevel(0, axis=1)
# .apply(lambda row: row[c] / row[b], axis=1) # <-- removed
.assign(result = lambda x: x[c] / x[b]).iloc[:, -1].squeeze() # <-- added
.mean()
)
原始计时信息经过的时间,对于A中的前100个组合:
应用语句:142.6秒
assign语句:90.1秒
你可以缩小范围,或者将问题分成明确的部分,描述你在每个部分中所做的工作。目前所说的问题需要很多时间来理解,不确定你是否能找到专门帮助你的人……明白了,我试图平衡现实问题和简化问题,但可能我的平衡错了。您可以将第一个for循环所在的代码移除,只需移除每个循环中除一个之外的所有计算,这样您就可以看到代码的结构,但不一定看到每个计算?calc_beta函数在哪里?beta_value=calc_beta p_series,b_series如果我只是剪切/粘贴你的代码就会抛出一个错误。@JonathanLeon捕捉得好,很抱歉。刚刚加的,你考虑过达斯克吗?它会让你的CPU的所有核心都做出贡献。你可以缩小它的范围,或者把问题分成明确的部分来描述你在每个部分中所做的事情。目前所说的问题需要很多时间来理解,不确定你是否能找到专门帮助你的人……明白了,我试图平衡现实问题和简化问题,但可能我的平衡错了。您可以将第一个for循环所在的代码移除,只需移除每个循环中除一个之外的所有计算,这样您就可以看到代码的结构,但不一定看到每个计算?calc_beta函数在哪里?beta_value=calc_beta p_series,b_series如果我只是剪切/粘贴你的代码就会抛出一个错误。@JonathanLeon捕捉得好,很抱歉。刚刚加的,你考虑过达斯克吗?这会让你的CPU的所有核心都贡献出来。哇,这是一个巨大的改进,可以转换为分配。谢谢,您看过Python内置的多处理功能了吗?我认为A,B,…,J键是独立的。如果可以将最后一个for循环作为函数写入,则可以通过使用多个核来缩短总的计算时间。你也需要这个函数来使用Dask。谢谢。我已经阅读了关于Dask的可能解决方案。最初看它,我不确定我是否有能力实现它,但我会对它做更多的阅读,因为你是对的,A-J键是独立的,所以异步解决它们可能是解决方案中非常方便的一部分。哇,这是一个巨大的改进切换到分配。谢谢,您看过Python内置的多处理功能了吗?我认为A,B,…,J键是独立的。如果你能为我写最后一封信
循环作为一个函数,您可以通过使用多个核来减少总的计算时间。你也需要这个函数来使用Dask。谢谢。我已经阅读了关于Dask的可能解决方案。最初看了一下,我不确定我是否有能力实现它,但我会对它做更多的阅读,因为你是对的,A-J键是独立的,所以异步解决它们可能是解决方案中非常方便的一部分。非常感谢。这么多真正有见地的小变化,今天仍在实施其中的一些,但帮助很大。谢谢你,谢谢你。这么多真正有见地的小变化,今天仍在实施其中的一些,但帮助很大。谢谢
def get_series(a):
if len(a) == 2 :
l1, l2 = a
s = df[l1] - df[l2]
return s.tolist()
else:
l1, l2, l3 = a
s = df[l1] - df[l2] - df[l3]
return s.tolist()
mydf['series'] = mydf['name'].apply(lambda x: get_series(x.split('/')))
mydf['quantile' + _str] = mydf.apply(lambda x: stats.percentileofscore(x['series'][-p:], x['last']), axis=1)
for b in benchmarks:
...
if p > 500:
attr[b + '_20d_rolling_beta_mean' + _str] = (
df1
.rolling(5)
.cov(df1, pairwise=True)
.drop([c], axis=1)
.unstack(1)
.droplevel(0, axis=1)
# .apply(lambda row: row[c] / row[b], axis=1) # <-- removed
.assign(result = lambda x: x[c] / x[b]).iloc[:, -1].squeeze() # <-- added
.mean()
)