11
编辑日期: 2024-11-28 文章阅读: 次
小技巧11: 100G 数据如何先随机读取1%?
对于动辄就几十或几百个 G 的数据,在读取的这么大数据的时候,我们有没有办法随机选取一小部分数据,然后读入内存,快速了解数据和开展 EDA ? 使用 Pandas 的 skiprows 和 概率知识,就能做到。 下面解释具体怎么做。
如下所示,读取某 100 G 大小的 big_data.csv 数据
- 使用 skiprows 参数,
- x > 0 确保首行读入,
- np.random.rand() > 0.01 表示 99% 的数据都会被随机过滤掉
言外之意,只有全部数据的 1% 才有机会选入内存中。
import pandas as pd
import numpy as np
df = pd.read_csv("big_data.csv",
skiprows =
lambda x: x>0and np.random.rand() > 0.01)
print("The shape of the df is {}.
It has been reduced 100 times!".format(df.shape))
使用这种方法,读取的数据量迅速缩减到原来的 1% ,对于迅速展开数据分析有一定的帮助。