パンダを使用してインクリメンタルデータインポートを実装しようとしています。パンダを使用したインクリメンタルデータロード
私は2つのデータフレームdf_old(元のデータ、前にロード)とdf_new(新しいデータ、df_oldとマージする)を持っています。
df_old/df_newのデータは、複数の列で一意である (簡略化のために、単に2つを指定することができます:key1とkey2)。他の列はマージされるデータであり、val1とval2の2つだけです。これらの横に
、世話をする1つの以上の列があります:CHANGE_ID - それは輸入のロジックは非常に簡単です古いもの
を上書きし、新しい各エントリの増加:
- があった場合df_newに新しい鍵ペア、次に、df_oldに存在df_newで鍵ペアがある場合
をdf_oldする(対応するVAL1/VAL2値で)添加されるべきである:
2A)場合df_oldの値を対応するdf_oldに対応する値と異なるdf_newあり、df_newの値はdf_oldに古いものを交換する必要がある場合、古いもの)
2B同じdf_new保たれるべきさ
-
:>>> df_old = pd.DataFrame([['A1','B2',1,2,1],['A1','A2',1,3,1],['B1','A2',1,3,1],['B1','B2',1,4,1],], columns=['key1','key2','val1','val2','change_id']) >>> df_old.set_index(['key1','key2'], inplace=True) >>> df_old val1 val2 change_id key1 key2 A1 B2 1 2 1 A2 1 3 1 B1 A2 1 3 1 B2 1 4 1 >>> df_new = pd.DataFrame([['A1','B2',2,1,2],['A1','A2',1,3,2],['C1','B2',2,1,2]], columns=['key1','key2','val1','val2','change_id']) >>> df_new.set_index(['key1','key2'], inplace=True) >>> df_new val1 val2 change_id key1 key2 A1 B2 2 1 2 A2 1 3 2 C1 B2 2 1 2
(df_oldで一部のデータがdf_newには存在しないた、存在する場合)、これまでダラの削除について
を気にする必要はありません、私は2つの異なる解決策を思い付きました
ソリューションの仕事の1
# this solution groups concatenated old data with new ones, group them by keys and for each group evaluates if new data are different
def merge_new(x):
if x.shape[0] == 1:
return x.iloc[0]
else:
if x.iloc[0].loc[['val1','val2']].equals(x.iloc[1].loc[['val1','val2']]):
return x.iloc[0]
else:
return x.iloc[1]
def solution1(df_old, df_new):
merged = pd.concat([df_old, df_new])
return merged.groupby(level=['key1','key2']).apply(merge_new).reset_index()
ソリューション2
# this solution uses pd.merge to merge data + additional logic to compare merged rows and select new data
>>> def solution2(df_old, df_new):
>>> merged = pd.merge(df_old, df_new, left_index=True, right_index=True, how='outer', suffixes=('_old','_new'), indicator='ind')
>>> merged['isold'] = (merged.loc[merged['ind'] == 'both',['val1_old','val2_old']].rename(columns=lambda x: x[:-4]) == merged.loc[merged['ind'] == 'both',['val1_new','val2_new']].rename(columns=lambda x: x[:-4])).all(axis=1)
>>> merged.loc[merged['ind'] == 'right_only','isold'] = False
>>> merged['isold'] = merged['isold'].fillna(True)
>>> return pd.concat([merged[merged['isold'] == True][['val1_old','val2_old','change_id_old']].rename(columns=lambda x: x[:-4]), merged[merged['isold'] == False][['val1_new','val2_new','change_id_new']].rename(columns=lambda x: x[:-4])])
>>> solution1(df_old, df_new)
key1 key2 val1 val2 change_id
0 A1 A2 1 3 1
1 A1 B2 2 1 2
2 B1 A2 1 3 1
3 B1 B2 1 4 1
4 C1 B2 2 1 2
>>> solution2(df_old, df_new)
val1 val2 change_id
key1 key2
A1 A2 1.0 3.0 1.0
B1 A2 1.0 3.0 1.0
B2 1.0 4.0 1.0
A1 B2 2.0 1.0 2.0
C1 B2 2.0 1.0 2.0
の両方が、しかし、私はまだ巨大なデータフレーム上のパフォーマンスにはかなりがっかりしています。 質問があります:これを行うにはいくつかの良い方法はありますか?まともな速度向上は歓迎以上になるための任意のヒント...
>>> %timeit solution1(df_old, df_new)
100 loops, best of 3: 10.6 ms per loop
>>> %timeit solution2(df_old, df_new)
100 loops, best of 3: 14.7 ms per loop
素敵!素敵で、きれいで滑らかな、ありがとう! – kekert