我有一个商业地产的大型地址数据库（约500万行），其中200,000个缺少楼面面积。这些物业按行业分类，我知道每个物业的租金。
我对缺失的楼层面积进行插值的方法是在未知楼面面积的属性的指定半径内过滤类似分类的属性，然后从附近属性的成本/ m2的中值计算楼面面积。
最初，我使用pandas来解决这个问题，但随着数据集变得越来越大（甚至使用group_by），这已成为问题。它经常超出可用内存，并停止。当它工作时，大约需要3个小时才能完成。
我正在测试我是否可以在数据库中执行相同的任务。我为径向填充编写的函数如下：
def _radial_fill(self):
# Initial query selecting all latest locations, and excluding null rental valuations
q = Location.objects.order_by("locode","-update_cycle") \
.distinct("locode")
# Chained Q objects to use in filter
f = Q(rental_valuation__isnull=False) & \
Q(use_category__grouped_by__isnull=False) & \
Q(pc__isnull=False)
# All property categories at subgroup level
for c in LocationCategory.objects.filter(use_category="SGP").all():
# Start looking for appropriate interpolation locations
fc = f & Q(use_category__grouped_by=c)
for l in q.filter(fc & Q(floor_area__isnull=True)).all():
r_degree = 0
while True:
# Default Distance is metres, so multiply accordingly
r = (constants.BOUNDS**r_degree)*1000 # metres
ql = q.annotate(distance=Distance("pc__point", l.pc.point)) \
.filter(fc & Q(floor_area__isnull=False) & Q(distance__lte=r)) \
.values("rental_valuation", "floor_area")
if len(ql) < constants.LOWER_RANGE:
if r > constants.UPPER_RADIUS*1000:
# Further than the longest possible distance
break
r_degree += 1
else:
m = median([x["rental_valuation"]/x["floor_area"]
for x in ql if x["floor_area"] > 0.0])
l.floor_area = l.rental_valuation / m
l.save()
break
我的问题是此功能需要6天才能运行。必须有一个更快的方式，对吗？我确定我做的事情非常糟糕......
模型如下：
class LocationCategory(models.Model):
# Category types
GRP = "GRP"
SGP = "SGP"
UST = "UST"
CATEGORIES = (
(GRP, "Group"),
(SGP, "Sub-group"),
(UST, "Use type"),
)
slug = models.CharField(max_length=24, primary_key=True, unique=True)
usecode = models.CharField(max_length=14, db_index=True)
use_category = models.CharField(max_length=3, choices=CATEGORIES,
db_index=True, default=UST)
grouped_by = models.ForeignKey("self", null=True, blank=True,
on_delete=models.SET_NULL,
related_name="category_by_group")
class Location(models.Model):
# Hereditament identity and location
slug = models.CharField(max_length=24, db_index=True)
locode = models.CharField(max_length=14, db_index=True)
pc = models.ForeignKey(Postcode, null=True, blank=True,
on_delete=models.SET_NULL,
related_name="locations_by_pc")
use_category = models.ForeignKey(LocationCategory, null=True, blank=True,
on_delete=models.SET_NULL,
related_name="locations_by_category")
# History fields
update_cycle = models.CharField(max_length=14, db_index=True)
# Location-specific econometric data
floor_area = models.FloatField(blank=True, null=True)
rental_valuation = models.FloatField(blank=True, null=True)
class Postcode(models.Model):
pc = models.CharField(max_length=7, primary_key=True, unique=True) # Postcode excl space
pcs = models.CharField(max_length=8, unique=True) # Postcode incl space
# http://spatialreference.org/ref/epsg/osgb-1936-british-national-grid/
point = models.PointField(srid=4326)
使用Django 2.0和Postgresql 10
更新
通过以下代码更改，我在运行时间方面取得了35％的改进：
# Initial query selecting all latest locations, and excluding null rental valuations
q = Location.objects.order_by("slug","-update_cycle") \
.distinct("slug")
# Chained Q objects to use in filter
f = Q(rental_valuation__isnull=False) & \
Q(pc__isnull=False) & \
Q(use_category__grouped_by_id=category_id)
# All property categories at subgroup level
# Start looking for appropriate interpolation locations
for l in q.filter(f & Q(floor_area__isnull=True)).all().iterator():
r = q.filter(f & Q(floor_area__isnull=False) & ~Q(floor_area=0.0))
rl = Location.objects.filter(id__in = r).annotate(distance=D("pc__point", l.pc.point)) \
.order_by("distance")[:constants.LOWER_RANGE] \
.annotate(floor_ratio = F("rental_valuation")/
F("floor_area")) \
.values("floor_ratio")
if len(rl) == constants.LOWER_RANGE:
m = median([h["floor_ratio"] for h in rl])
l.floor_area = l.rental_valuation / m
l.save()
id__in=r效率低下，但似乎是在添加和排序新注释时维护distinct查询集的唯一方法。假设在r查询中可以返回大约100,000行，那么在那里应用任何注释，随后按距离排序，可能会花费很长时间。
然而......在尝试实现子查询功能时遇到了很多问题。我认为AttributeError: 'ResolvedOuterRef' object has no attribute '_output_field_or_none'与注释有关，但我找不到它。
相关的重组代码是：
rl = Location.objects.filter(id__in = r).annotate(distance=D("pc__point", OuterRef('pc__point'))) \
.order_by("distance")[:constants.LOWER_RANGE] \
.annotate(floor_ratio = F("rental_valuation")/
F("floor_area")) \
.distinct("floor_ratio")
和
l.update(floor_area= F("rental_valuation") / CustomAVG(Subquery(locs),0))
我可以看到这种方法应该非常有效，但是正确的做法似乎远远超出了我的技能水平。
答案 0 :(得分：1)
您可以使用（主要）优化的Django内置查询方法来简化您的方法。更具体地说，我们将使用：
Subquery和OuterRef方法（版本＆gt; = 1.11）。annotation和AVG。dwithin查找。F()表达式（F()的详细用例可以在我的质量检查样式示例中找到：How to execute arithmetic operations between Model fields in django 我们将创建一个自定义聚合类来应用我们的AVG函数（受这个优秀答案启发的方法：Django 1.11 Annotating a Subquery Aggregate）
class CustomAVG(Subquery):
template = "(SELECT AVG(area_value) FROM (%(subquery)s))"
output_field = models.FloatField()
我们将用它来计算以下平均值：
for location in Location.objects.filter(rental_valuation__isnull=True):
location.update(
rental_valuation=CustomAVG(
Subquery(
Location.objects.filter(
pc__point__dwithin=(OuterRef('pc__point'), D(m=1000)),
rental_valuation__isnull=False
).annotate(area_value=F('rental_valuation')/F('floor_area'))
.distinct('area_value')
)
)
)
以上细分：
Location个对象而没有rental_valuation，我们会通过＆＃34;通过清单。Location圈内的radius=1000m个对象（根据需要更改）指向我们annotate上的费用/平方米计算（使用F()获取每个对象的列rental_valuation和floor_area的值） ，作为名为area_value的列。为了获得更准确的结果，我们只选择此列的不同值。CustomAVG应用于Subquery，我们会更新当前位置rental_valuation。