我有以下代码,当前正在运行,就像普通的Python代码一样:
def remove_missing_rows(app_list):
print("########### Missing row removal ###########")
missing_rows = []
''' Remove any row that has missing data in the name, id, or description column'''
for row in app_list:
if not row[1]:
missing_rows.append(row)
continue # Continue loop to next row. No need to check more columns
if not row[5]:
missing_rows.append(row)
continue # Continue loop to next row. No need to check more columns
if not row[4]:
missing_rows.append(row)
print("Number of missing entries: " + str(len(missing_rows))) # 967 with current method
# Remove the missing_rows from the original data
app_list = [row for row in app_list if row not in missing_rows]
return app_list
现在,在为较小的样本写这个之后,我希望在一个非常大的数据集上运行它。为此,我认为使用我的计算机的多个核心会很有用。
我正在努力使用多处理模块实现这一点。例如。我的想法是Core 1可以在数据集的前半部分工作,而Core 2可以在下半部分工作。等等。并行执行此操作。这可能吗?
答案 0 :(得分:1)
这可能不是cpu绑定的。请尝试下面的代码。
我已经使用set
非常快(基于哈希)contains
(您在调用if row not in missing_rows
时使用它,而且它非常慢很长的名单)。
如果这是csv模块,那么您已经拥有可以清除的元组,因此所需的更改不多:
def remove_missing_rows(app_list):
print("########### Missing row removal ###########")
filterfunc = lambda row: not all([row[1], row[4], row[5]])
missing_rows = set(filter(filterfunc, app_list))
print("Number of missing entries: " + str(len(missing_rows))) # 967 with current method
# Remove the missing_rows from the original data
# note: should be a lot faster with a set
app_list = [row for row in app_list if row not in missing_rows]
return app_list
答案 1 :(得分:1)
你可以使用过滤器,不要迭代两次:
def remove_missing_rows(app_list):
filter_func = lambda row: all((row[1], row[4], row[5]))
return list(filter(filter_func, app_list))
但是如果你正在进行数据分析,你可能应该看看大熊猫。 在那里你可以做这样的事情:
import pandas as pd
df = pd.read_csv('your/csv/data/file', usecols=(1, 4, 5))
df = df.dropna() # remove missing values