媲美pandas的数据分析工具包Datatable

1 前言

data.table 是 R 中一个非常通用和高性能的包，使用简单、方便而且速度快，在 R 语言社区非常受欢迎，每个月的下载量超过 40 万，有近 650 个 CRAN 和 Bioconductor 软件包使用它。如果你是 R 的使用者，可能已经使用过 data.table 包。

而对于 Python 用户，同样存在一个名为 datatable 包，专注于大数据支持、高性能内存/内存不足的数据集以及多线程算法等问题。在某种程度上，datatable 可以被称为是 Python 中的 data.table。

2 Datatable简介

为了能够更准确地构建模型，现在机器学习应用通常要处理大量的数据并生成多种特征，这已成为必要的。而 Python 的 datatable 模块为解决这个问题提供了良好的支持，以可能的最大速度在单节点机器上进行大数据操作 (最多100GB)。datatable 包的开发由 H2O.ai 赞助，它的第一个用户是 Driverless.ai。

2.1 安装

Mac OS系统

pip install datatable

Linux系统

安装过程需要通过二进制分布来实现

# If you have Python 3.5
pip install https://s3.amazonaws.com/h2o-release/datatable/stable/datatable-0.8.0/datatable-0.8.0-cp35-cp35m-linux_x86_64.whl
# If you have Python 3.6
pip install https://s3.amazonaws.com/h2o-release/datatable/stable/datatable-0.8.0/datatable-0.8.0-cp36-cp36m-linux_x86_64.whl

很遗憾的是，目前 datatable 包还不能在 Windows 系统上工作，但 Python 官方也在努力地增加其对 Windows 的支持。更多的信息可以查看 Build instructions 的说明。

https://datatable.readthedocs.io/en/latest/install.html

2.2 数据读取

这里使用的数据集是来自 Kaggle 竞赛中的 Lending Club Loan Data 数据集, 该数据集包含2007-2015期间所有贷款人完整的贷款数据，即当前贷款状态 (当前，延迟，全额支付等) 和最新支付信息等。整个文件共包含226万行和145列数据，数据量规模非常适合演示 datatable 包的功能。

数据集：

"""
链接:https://pan.baidu.com/s/1_vVviJWj6A9I05F7bmQNlg  密码:y4jd
"""

import numpy as np
import pandas as pd
import datatable as dt

首先将数据加载到 Frame 对象中，datatable 的基本分析单位是 Frame，这与Pandas DataFrame 或 SQL table 的概念是相同的：即数据以行和列的二维数组排列展示。

使用datatable读取数据

%%time
dft = dt.fread('loan.csv')

CPU times: user 23.8 s, sys: 2.32 s, total: 26.1 s
Wall time: 2.54 s

这个数据集一共226万行，145列，将近1.2G的数据，通过datatable读取只用了2.54s

如上所示，fread() 是一个强大又快速的函数，能够自动检测并解析文本文件中大多数的参数，所支持的文件格式包括 .zip 文件、URL 数据，Excel 文件等等。此外，datatable 解析器具有如下几大功能：

• 能够自动检测分隔符，标题，列类型，引用规则等。
• 能够读取多种文件的数据，包括文件，URL，shell，原始文本，档案和 glob 等。
• 提供多线程文件读取功能，以获得最大的速度。
• 在读取大文件时包含进度指示器。
• 可以读取 RFC4180 兼容和不兼容的文件。

使用pandas读取数据

！！！注意:由于数据量过大，使用pandas读取数据会经常使服务挂机，所以可以使用数据量稍小的数据集来测试

%%time
df = pd.read_csv('loan.csv')

CPU times: user 27.3 s, sys: 4.68 s, total: 31.9 s
Wall time: 28.5 s

由此可以看出，结果表明在读取大型数据时 datatable 包的性能明显优于 Pandas，Pandas 需要接近30秒的时间来读取这些数据，而 datatable 只需要2秒多。

2.3 帧转换 (Frame Conversion)

对于当前存在的帧，可以将其转换为一个 Numpy 或 Pandas dataframe 的形式，如下所示：

numpy_df = dft.to_numpy()
pandas_df = dft.to_pandas()

下面，将 datatable 读取的数据帧转换为 Pandas dataframe 形式，并比较所需的时间，如下所示：

由于 Lending Club Loan Data 数据集的数据量过大，使用to_padnas操作，jupyte服务容易挂机，所以使用一个数据集较小的进行测试。

%%time
dft = dt.fread('baba.csv')
pandas_df = dft.to_pandas()

CPU times: user 2.44 ms, sys: 287 µs, total: 2.72 ms
Wall time: 2.62 ms

通过datatable读取数据加上将其转换为DataFrame数组，一共是2.62ms.

%%time
dft = pd.read_csv('baba.csv')

CPU times: user 7.95 ms, sys: 3.18 ms, total: 11.1 ms
Wall time: 14.4 ms

单通过pandas读取数据，总共需要14.4ms。

看起来将文件作为一个 datatable frame 读取，然后将其转换为 Pandas dataframe比直接读取 Pandas dataframe 的方式所花费的时间更少。因此，通过 datatable 包导入大型的数据文件再将其转换为 Pandas dataframe 的做法是个不错的主意。

2.4 帧的基础属性

下面来介绍 datatable 中 frame 的一些基础属性，这与 Pandas 中 dataframe 的一些功能类似。

print(dft.shape)       # (nrows, ncols)
print(dft.names[:5])   # top 5 column names
print(dft.stypes[:5])  # column types(top 5)
______________________________________________________________
(2260668, 145)
('id', 'member_id', 'loan_amnt', 'funded_amnt', 'funded_amnt_inv')
(stype.bool8, stype.bool8, stype.int32, stype.int32, stype.float64)

也可以通过使用 head 命令来打印出输出的前 n 行数据，如下所示：

dft.head(10)

注意：这里用颜色来指代数据的类型，其中红色表示字符串，绿色表示整型，而蓝色代表浮点型。

2.5 统计总结

在 Pandas 中，总结并计算数据的统计信息是一个非常消耗内存的过程，但这个过程在 datatable 包中是很方便的。如下所示，使用 datatable 包计算以下每列的统计信息：

dft.sum()      dft.nunique()
dft.sd()       dft.max()
dft.mode()     dft.min()
dft.nmodal()   dft.mean()

下面分别使用 datatable 和Pandas 来计算每列数据的均值，并比较二者运行时间的差异。

Datatable读取

%%time
dft.mean()
__________________________________________________________________
CPU times: user 3.56 s, sys: 5.35 ms, total: 3.56 s
Wall time: 302 ms

Pandas读取

pandas_df.mean()
__________________________________________________________________
Throws memory error.

使用 Pandas 计算时抛出内存错误的异常。

3 数据操作

和 dataframe 一样，datatable 也是柱状数据结构。在 datatable 中，所有这些操作的主要工具是方括号，其灵感来自传统的矩阵索引，但它包含更多的功能。诸如矩阵索引，C/C++，R，Pandas，Numpy 中都使用相同的 DT[i，j] 的数学表示法。下面来看看如何使用 datatable 来进行一些常见的数据处理工作。

选择行/列的子集

下面的代码能够从整个数据集中筛选出所有行及 funded_amnt 列：

dft[:,'funded_amnt']

展示如何选择数据集中前5行3列的数据，如下所示：

dft[:5,:3]

帧排序

• datatable 排序

在 datatable 中通过特定的列来对帧进行排序操作，如下所示：

%%time
dft.sort('funded_amnt_inv')

CPU times: user 1.47 s, sys: 77.1 ms, total: 1.55 s
Wall time: 147 ms

• Pandas 排序

%%time
pandas_df.sort_values(by = 'funded_amnt_inv')
___________________________________________________________________
CPU times: user 8.76 s, sys: 2.87 s, total: 11.6 s
Wall time: 12.4 s

可以看到两种包在排序时间方面存在明显的差异。

删除行/列

下面展示如何删除 member_id 这一列的数据：

del dft[:, 'member_id']

分组 (GroupBy)

与 Pandas 类似，datatable 同样具有分组 (GroupBy) 操作。下面来看看如何在 datatable 和 Pandas 中，通过对 grade 分组来得到 funded_amout 列的均值：

• datatable 分组

%%time
for i in range(100):
    dft[:, dt.sum(dt.f.funded_amnt), dt.by(dt.f.grade)]

CPU times: user 9.45 s, sys: 643 ms, total: 10.1 s
Wall time: 861 ms

• pandas 分组

%%time
for i in range(100):
    pandas_df.groupby("grade")["funded_amnt"].sum()
____________________________________________________________________
CPU times: user 12.9 s, sys: 859 ms, total: 13.7 s
Wall time: 13.9 s

.f 代表什么

在 datatable 中，f 代表 frame_proxy，它提供一种简单的方式来引用当前正在操作的帧。在上面的例子中，dt.f 只代表 dt_df。

过滤行

在 datatable 中，过滤行的语法与GroupBy的语法非常相似。下面就来展示如何过滤掉 loan_amnt 中大于 funding_amnt 的值，如下所示。

dft[dt.f.loan_amnt>dt.f.funded_amnt,"loan_amnt"]

保存帧

在 datatable 中，同样可以通过将帧的内容写入一个 csv 文件来保存，以便日后使用。如下所示：

dft.to_csv('output.csv')

有关数据操作的更多功能，可查看 datatable 包的说明文档

地址：https://datatable.readthedocs.io/en/latest/using-datatable.html

总结

在数据科学领域，与默认的 Pandas 包相比，datatable 模块具有更快的执行速度，这是其在处理大型数据集时的一大优势所在。然而，就功能而言，目前 datatable 包所包含的功能还不如 pandas 完善。相信在不久的将来，不断完善的 datatable 能够更加强大。