Python:在numpy数组(大数据集)中计算出现次数的更快方法

时间:2015-10-07 10:49:47

标签: python arrays performance numpy statistics

我是Python新手。我有numpy.array,其大小为66049x1(66049行和1列)。这些值从最小到最大排序,并且是float类型,其中一些是重复的。

我需要确定每个值的出现频率(给定值等于但未超过的次数,例如 X< = x统计术语 ),以便稍后绘制样本累积分布函数。

我目前使用的代码如下,但它非常慢,因为它必须循环66049x66049=4362470401次。有没有办法增加这段代码的速度?也许使用dictionaries会有什么帮助吗?不幸的是,我无法改变我正在使用的数组的大小。

+++Function header+++
...
...
directoryPath=raw_input('Directory path for native csv file: ')
csvfile = numpy.genfromtxt(directoryPath, delimiter=",")
x=csvfile[:,2]
x1=numpy.delete(x, 0, 0)
x2=numpy.zeros((x1.shape[0]))
x2=sorted(x1)
x3=numpy.around(x2, decimals=3)
count=numpy.zeros(len(x3))

#Iterates over the x3 array to find the number of occurrences of each value
for i in range(len(x3)):
    temp=x3[i]
    for j in range(len(x3)):
       if (temp<=x3[j]):
           count[j]=count[j]+1

#Creates a 2D array with (value, occurrences)
    x4=numpy.zeros((len(x3), 2))
    for i in range(len(x3)):
    x4[i,0]=x3[i]
    x4[i,1]=numpy.around((count[i]/x1.shape[0]),decimals=3)
...
...
+++Function continues+++

3 个答案:

答案 0 :(得分:1)

您应该使用np.where然后计算获得的索引向量的长度:

indices = np.where(x3 <= value)
count = len(indices[0]) 

答案 1 :(得分:1)

import numpy as np
import pandas as pd
from collections import Counter
import matplotlib.pyplot as plt

arr = np.random.randint(0, 100, (100000,1))

df = pd.DataFrame(arr)

cnt = Counter(df[0])

df_p = pd.DataFrame(cnt, index=['data'])

df_p.T.plot(kind='hist')

plt.show()

整个脚本花了很短的时间来执行(〜{2})(100,000x1)数组。我没有时间,但是如果你提供时间来做你的,我们可以比较。< / p>

enter image description here

我使用collections中的[Counter][2]来计算出现的次数,我对它的体验一直很好(时间上)。我将其转换为DataFrame以绘制并使用T进行转置。

您的数据确实会复制一些,但您可以尝试进一步优化它。事实上,它非常快。

修改

使用cumsum()

创建CDF
import numpy as np
import pandas as pd
from collections import Counter
import matplotlib.pyplot as plt

arr = np.random.randint(0, 100, (100000,1))

df = pd.DataFrame(arr)

cnt = Counter(df[0])

df_p = pd.DataFrame(cnt, index=['data']).T


df_p['cumu'] = df_p['data'].cumsum()

df_p['cumu'].plot(kind='line')

plt.show()

enter image description here

修改2

对于scatter()图,您必须明确指定(x,y)。此外,调用df_p['cumu']会产生Series,而不是DataFrame

要正确显示散点图,您需要以下内容:

import numpy as np
import pandas as pd
from collections import Counter
import matplotlib.pyplot as plt

arr = np.random.randint(0, 100, (100000,1))

df = pd.DataFrame(arr)

cnt = Counter(df[0])

df_p = pd.DataFrame(cnt, index=['data']).T


df_p['cumu'] = df_p['data'].cumsum()

df_p.plot(kind='scatter', x='data', y='cumu')

plt.show()

enter image description here

答案 2 :(得分:1)

如果效率很重要,你可以使用numpy函数bincount,它需要整数:

import numpy as np
a=np.random.rand(66049).reshape((66049,1)).round(3)
z=np.bincount(np.int32(1000*a[:,0]))

需要大约1毫秒。

问候。