我使用以下代码创建了一个data_frame:
data_series = {}
while not q.empty():
(name, data_dict) = q.get()
data_series[name] = pd.Series(data_dict)`
data_frame = pd.DataFrame(data_series)
#data_dict is of the format { MD5: [time_as_float1, time_as_float2] }
#I have multiple data_dicts stored in a queue (created by multiple worker threads)
我想基本上能够实现以下目标:
1.对于每个MD5,输出flog
,hlog
和slog
所花费的时间。 (通过减去相应的time_as_float2和time_as_float1)
2.对于hlog
,flog
..中的每一个,首次显示他们看到MD5(最小time_as_float1)并且上次他们看到MD5(max(time_as_float2)
data_frame:
Index: 395 entries, 0037B4F499705D725C2B3B00956B574E to FF11433CC64568110D3AD46037290725
Data columns (total 3 columns):
flog 220 non-null values
hlog 175 non-null values
slog 20 non-null values
dtypes: object(3)
(Pdb) data_frame['hlog']
0037B4F499705D725C2B3B00956B574E [1401808481.57, 1401808481.7]
016E73F1038CE46AF4A619453AC7DE70 [1401808491.38, 1401808491.51]
0250F3B15665E8B00F7D58CCA8C2C8F4 NaN
0260FA375596B150DF8B4D7E3CA2D934 NaN
03173B333E22CE63F6485AC87D616878 [1401808482.36, 1401808482.49]
我甚至不确定构建data_frame的方式是否正确,因为感觉我的要求非常简单,默认情况下它们会得到支持。
答案 0 :(得分:1)
你是对的,你构建数据框的方式并不是很好。尝试利用熊猫与numpy的强烈互动。
我首先创建数据框(对于所有索引,您应该知道事前将有多少行以获得更好的性能),然后按行填充。我不能改进这部分因为我没有python 3和queue
。
# first initialize dataframe
data_frame = pd.DataFrame(columns=['type', 'hash', 't0', 't1'], index=np.arange(10))
# this is now what would have to be inside the queue loop
data_dict = {'type': name, 'hash':md5hash,
't0': times[0], 't1': times[1]}
name = "hlog"
data_series = pd.Series(data_dict)
data_frame.loc[0] = data_series
data_series[['t0', 't1']] += 0.5 # now I just quickly "fake" an additional loop to create more data
data_frame.loc[1] = data_series
现在这是我的数据集的外观:
type hash t0 t1
0 hlog MD5 0.1 0.2
1 hlog MD5 0.6 0.7
2 NaN NaN NaN NaN
3 NaN NaN NaN NaN
(...)
现在,通过为t0
和t1
设置单独的列,您的第一个问题变得非常简单:
data_frame['time-it-took'] = data_frame['t1'] - data_frame['t0']
第二个也经常在SO处回答:这是一个典型的groupby-apply组合,你可以在文档中找到很多信息:
#set as index:type
data_frame.set_index([' type'],inplace = True)
#by type:group up,并设置为最小值to
data_frame [' first-time'] = data_frame.groupby(level = 0).apply(lambda x:x [' t0']。min())
现在我的数据看起来如何(索引仍然设置为哈希类型):
hash t0 t1 time-it-took first-time
type
hlog MD5 0.1 0.2 0.1 0.1
hlog MD5 0.6 0.7 0.1 0.1
NaN NaN NaN NaN NaN NaN
一旦你理解了这里发生的事情,我相信你可以应用这个来找到最大的' t1'。
同样,他们关键是要正确设置数据框,这是你应该花更多时间做的事情。尝试考虑数据在逻辑上的结构方式。