我正在尝试获取一个事务性数据的列表,并将其求和为2d numpy数组。我的数据如下:
person, product, date, val
A, x, 1/1/2013, 10
A, x, 1/10/2013, 10
B, x, 1/2/2013, 20
B, y, 1/4/2013, 15
A, y, 1/8/2013, 20
C, z, 2/12/2013, 40
我需要将输出放入一个2d数组中,每个人作为一行,产品作为列。日期将被删除,并对值进行求和。在
输出如下所示:
^{pr2}$以下是我所拥有的功能,但它非常慢(我有110000000条记录):
import numpy as np
from collections import defaultdict
from sklearn.feature_extraction import DictVectorizer
from sklearn.feature_extraction.text import TfidfTransformer
import pandas as pd
from scipy import sparse
import os
import assoc
#read in data to a dict object - sums scripts by tuple (doc, drug)
dictObj = {}
rawData = 'subset.txt'
with open(rawData) as infile:
for line in infile:
parts = line.split(',')
key = (parts[0],parts[1])
val = float(parts[3])
if key in dictObj:
dictObj[key] += val
else:
dictObj[key] = val
infile.close()
print "stage 1 done"
#get the number of doctors and the number of drugs
keys = dictObj.keys()
docs = list(set([x[0] for x in keys]))
drugs = sorted(list(set([x[1] for x in keys])))
#read through the dict and build out a 2d numpy array
docC = 0
mat = np.empty([len(docs),len(drugs)])
for doc in docs:
drugC = 0
for drug in drugs:
key = (doc,drug)
if key in dictObj:
mat[(docC,drugC)] = dictObj[(key)]
else:
mat[(docC,drugC)] = 0
drugC += 1
docC+=1
我之前也发布了一个类似的帖子(这里-Transformation of transactions to numpy array),每个人都回答说Pandas是最好的选择,但是我一辈子都无法将Pandas输出转换成正确的格式。我不能将Pandas数据帧传递给我现有的kmeans或apriori算法,而且无论我如何安排数据帧数据框值得到一个多索引序列(它简化为1个长数组!)。如有任何建议,我们将不胜感激!在
基于问题的结尾,你似乎只需要让一只熊猫
DataFrame
给一个纽普比array
。以下是如何做到这一点:所以现在你应该不会有使用熊猫的问题了!在
我可能会做些
你要找的是二维阵列。注意,您不必一次将整个文件读入内存,您可以使用
chunksize
参数(请参见the docs here)并逐块累加表。在recfromcsv
(或recfromtxt)将把数据加载到记录数组中由于
person
可以以任何顺序出现,并且具有不同的频率(3A、2B、1C),所以您不能轻易地将其转换为2D数组。因此,您可能仍然需要迭代记录,在字典之类的东西中收集值—我建议使用collections.defaultdict
。itertools.groupby
也是将值收集到组中的一个方便工具。但是,这需要对你的记录进行分类。在用defaultdict
^{pr2}$或者
^{3}$稀疏方法利用
csr_matrix
如何对重复索引求和相关问题 更多 >
编程相关推荐