Python实现 ! 千万级别数据处理

今天分享一个数据清洗小技巧，可以让你在遇到 百万、千万级别数据 的时候游刃有余。

先来说说问题的背景

现在有一个 csv 格式的数据集，大概 2千万条 左右的样子，存储的是用户的网络交互数据，其中电话号码作为用户的唯一标识。

再来看看我们要做啥

首先我们需要针对这批用户确定所属运营商，其次根据交互数据对各运营商的用户感知情况进行分析，最后给出各运营商的相应优化解决措施。

这个目标的第一部分：确定用户归属运营商，正好可以用今天这个小技巧去解决。

判断两千万个号码中每个号码归属的运营商，你应该首先会想到循环遍历。

但是你如果真的挨个号码去遍历一次，你会发现读一遍数据都需要好久，甚至可能会需要几分钟、十几分钟。

所以今天会用到 Pandas 中的矢量化操作，通过 isin 函数进行筛选过滤，完成上面这个任务 只需要一两秒

矢量化操作

矢量化，有别于对每一个单独的值（标量）进行操作，是 Pandas 底层支持的对于整个 Array 进行的操作，也是Pandas 中执行的最快的方法。

这种操作适用于对某一列的全体数据进行普适的操作，即矢量化是对整个数组执行操作的过程。

矢量化操作适用于 Pandas 的 Dataframe，Series 对象

Pandas 对于常用的函数，例如求和、平均值等常用统计函数做了非常好的矢量化支持。

在大多数场景下，我们需要做的只是 把一整列的元素，当成一个元素去处理，Pandas 会自动把函数应用到每一个单元格上。例如

df_data['age'] = df_data['age'] + 5

这就是最简单的矢量化操作，就算你的数据集是 2 千万条，执行一次简单矢量化操作最多几秒也就可以搞定。

isin 方法可以通过矢量化操作，完成简单的数据筛选

isin函数

常用的是 DataFrame 的 isin 函数，它的官方定义是这样的：

def isin(self, values):
    """
    Whether each element in the DataFrame is contained in values.

 Parameters
    ----------
    values : iterable, Series, DataFrame or dict
    The result will only be true at a location if all the
    labels match. If `values` is a Series, that's the index. If
    `values` is a dict, the keys must be the column names,
    which must match. If `values` is a DataFrame,
    then both the index and column labels must match.

 Returns
    -------
    DataFrame
    DataFrame of booleans showing whether each element in the DataFrame
    is contained in values.
    """

可以看到需要传入一个参数 values，函数会返回一个 DataFrame。

其中参数 values 大致解释如下：

values ：iterable, Series, DataFrame 或 dict

• 如果所有标签都匹配，则结果仅在某个位置为 true。
• 如果 values 是 Series，那就是索引。
• 如果 values 是一个 dict，则键必须是必须匹配的列名。
• 如果值是 DataFrame，则索引标签和列标签都必须匹配。

返回值是一个布尔的 DataFrame，显示 DataFrame 中的每个元素是否包含在值 values 中。

大致解释一下：

• 当 values 是列表时，将会检查列表中是否存在 DataFrame 中的每个值

• 当 values 是 dict 时，可以通过传递值以分别检查每一列

• 当 values 是 Series 或 DataFrame 时，索引和列必须匹配

"""创建 DataFrame"""
df = pd.DataFrame({'num_legs': [2, 4], 'num_wings': [2, 0]}, index=['falcon', 'dog'])
df
           num_legs  num_wings
falcon         2          2
dog            4          0

# values 是列表
df.isin([0, 2])
          num_legs  num_wings
falcon      True       True
dog        False       True

# values 是 dict
df.isin({'num_wings': [0, 3]})
          num_legs  num_wings
falcon     False      False
dog        False       True

# values 是 DataFrame
other = pd.DataFrame({'num_legs': [8, 2], 'num_wings': [0, 2]}, index=['spider','falcon'])
df.isin(other)
          num_legs  num_wings
falcon      True       True
dog        False      False

isin 函数的用法就这些，很简单，下面针对我们遇到的问题试试用 isin 快速解决

isin 实战

首先在判断号码归属运营商时需要借助一个表

对！各运营商对应的号段表

这个号段在网上应该都能查到，另外，需要注意还有一些运营商对应的虚拟号段

根据号段去确定每个用户号码的运营商归属即可

具体实现代码如下：

# 获取移动运营商的号段
mobile_list = df_data.loc[df_data['运营商'] == '移动', '号段'].drop_duplicates().tolist()
# 根据移动号段匹配所有移动用户
df_data_mobile = df_data.loc[df_data['号段'].str.slice(0, 3).isin(mobile_list), :]

# 获取联通运营商的号段
unicom_list = df_data.loc[df_data['运营商'] == '联通', '号段'].drop_duplicates().tolist()
# 根据联通号段匹配所有联通用户
df_data_unicom = df_data.loc[df_data['号段'].str.slice(0, 3).isin(unicom_list), :]

# 匹配电信用户
df_data_net = df_data.loc[~df_data['号段'].str.slice(0, 3).isin(mobile_list) &
                          ~df_data['号段'].str.slice(0, 3).isin(unicom_list)
                          , :]

【左右滑动查看更多】

代码中通过 isin 方法和 loc 结合，实现了对 DataFrame 的过滤筛选。

稍微解释一下：首先根据移动号段确定移动用户，其次根据联通号段确定联通用户，最后通过 isin 的反方法确定非移动和联通的号段，即电信号段，确定电信用户。

需要注意，isin 方法的反方法是在其前面加上 ~，不存在 isnotin 方法，

写在后面的话

巧用 isin 方法，可以极大的提高数据处理效率，还能提高打工人的代码素养。

另外，类似的方法还有 where、cut 等，都可直接进行矢量化操作，下次遇到具体案例了再分享。