全文共 5270 字，預計學習時長 11 分鐘或更長
圖片來源：pexels.com/@divinetechygirl
從文明之初到2003年，只創造了5艾字節的信息，但是現在每兩天就有如此之多的信息產生。
埃里克·施密特（Eric Schmidt）
如果你是R使用者，可能你已經使用過data.table程序包。Data.table是R中數據幀程序包的延伸。涉及大型數據（包括RAM中1的10GB）快速集合時，該數據包也是R使用者的首選程序包。
R的data.table程序包使用簡易方便，非常通用且擁有高性能。在R領域，此包十分出名，其每月下載量超過了4萬，幾乎650 CRAN（新型無線接入網構架）及Bioconductor包使用這個datatable包。
所以，Python使用者可以從中得到什么？好消息是Python中也有與data.table等同的程序包，稱為datatable，其明確注重大數據支持、高性能、內存外存數據集以及多線程算法。某種程度上來說，這個也可以稱為data.table的年輕同胞。
Datatable
?
現代機器學習應用需要處理巨大數量的數據并生成多個功能。為了構建更精確的模型，這是必需的。Python的datatable模塊正是為了應對這種類問題而創建的。這就相當于是一個在單節機器上以盡可能最大的速度運行大數據（達100GB）的工具包。datatable由H2O.ai 出資開發，其首個使用者是 Driverless.ai。
此工具箱與panda非常相似，但更側重于速度和大數據支持。
Pythondatatable也力求用戶良好體驗，反饋錯誤信息，擁有強大的API（應用程序編程接口）。通過本文，可以了解如何使用此datatable以及其用于大數據時是如何優于pandas的。
安裝
在MacOs中，datatable可簡單地利用pip進行安裝：
pip install datatable
在Linux中，利用二進制發行版，就可以實現安裝，如下所示：
# If you have Python 3.5
pip install https://s3.amazonaws.com/h2o-
release/datatable/stable/datatable-
0.8.0/datatable-0.8.0-cp35-cp35m-
linux_x86_64.whl
目前，datatable還未能運用于Windows，但是其也正在實現對Windows的支持。
Github Repository傳送門：https://github.com/parulnith/An-Overview-of-Python-s-Datatable-package
讀取數據
使用的數據集來自于Kaggle網，屬于Lending Club Loan DataDataset。此數據集是2007——2015年所有發布的貸款信息中完整的貸款數據，包括當前貸款狀況（當前、滯后、全部付清等）以及最想念付款信息。此文件包含226萬行，145列。數據規模是datatable庫性能的最理想說明。
# Importing necessary Libraries
import numpy as npimport pandas as pdimport datatable as dt
將數據加載到Frame對象中。datatable的基本分析單元就是一個Frame，這和pandas 的DataFrame 或 SQL 表是相同的概念：數據排列成具有行和列的二維數組。
利用datatable
%%timedatatable_df = dt.fread("data.csv")
__________________________________CPU
times: user 30 s, sys: 3.39 s, total: 33.4 s
Wall time: 23.6 s
?
上述fread() 函數不僅功能強大，而且速度極快。其可自動刪除和分析絕大多數文本文件、.zip壓縮文檔中的下載數據或URLs、讀取Excel文件以及其他文件。
不僅如此，datatable分析程序還有以下功能：
· 可以自動刪除分隔符、頁眉、列類型以及引號規則等。
· 可以多源讀取數據，包括包括文件、URL、shell、原始文本、存檔和glob。
· 極速多線程文件讀取。
· 顯示讀取文件的進度條。
· 可以讀取 RFC4180相容型及非相容型文件。（傳送門：https://tools.ietf.org/html/rfc4180）
利用pandas
現在，計算一下利用pandas來讀取相同文件所用的時間。
%%time
pandas_df= pd.read_csv("data.csv")
__________________________________
CPU times: user 47.5 s, sys: 12.1 s, total: 59.6
sWall time: 1min 4s
?
結果顯示，datatable在讀取大數據集時優于pandas。因為都i相同數據時，pandas讀取時間超過了一分鐘，而datatable則只使用了數秒。
Frame轉換
現有的Frame還可以如下所示轉化為numpy或dateframe。
numpy_df = datatable_df.to_numpy()
pandas_df = datatable_df.to_pandas()
?
現在將現有frame轉化為pandas的dataframe對象那個，對比所用時間。
%%time
datatable_pandas = datatable_df.to_pandas()
__________________________________
CPU times: user 17.1 s, sys: 4 s, total: 21.1
sWall time: 21.4 s
?
看來將文件讀取為datatable框架，然后將其轉換為panda的dataframe所需的時間比直接利用pandas的dataframe讀取文件所需的時間要少。所以，通過datatable導入一個大數據文件，然后將其轉換為panda的dataframe，這似乎是一個好主意。
type(datatable_pandas)
__________________________________
pandas.core.frame.DataFrame
?
基礎Frame屬性
一起來看看與pandas性能相似的datatable fame的基礎性能。
?
print(datatable_df.shape)
# (nrows, ncols)print(datatable_df.names[:5])
# top 5 column namesprint(datatable_df.stypes[:5])
# column types(top 5)
__________________________________
(2260668, 145)
('id', 'member_id', 'loan_amnt', 'funded_amnt',
'funded_amnt_inv')
(stype.bool8, stype.bool8, stype.int32,
stype.int32, stype.float64)
?
也可利用head 指令輸出靠前的“n”行。
datatable_df.head(10)
datatableframe中前10行略表
顏色表示數據類型。其中，紅色表示字符串，綠色表示整數，藍色則代表浮動。
匯總統計信息
在panda中計算匯總統計信息是一個消耗內存的過程，但在datatable中就不是如此了。下面每列匯總信息均可通過datatable來計算：
datatable_df.sum()
datatable_df.nunique()datatable_df.sd()
datatable_df.max()datatable_df.mode()
datatable_df.min()datatable_df.nmodal()
datatable_df.mean()
利用datatable和pandas來計算平均值，測量各所需計算時間之間的差異。
利用datatable
%%timedatatable_df.mean()
__________________________________
CPU times: user 5.11 s, sys: 51.8 ms, total: 5.16 sWall time: 1.43 s
?
利用pandas
pandas_df.mean()
__________________________________
Throws memory error.
?
上述指令在pandas中未能實現，因為其在開始就顯示內存錯誤。
數據操作
像dataframe這類數據表是柱狀數據結構。在datatable中，所有操作最基礎的媒介就是方括號符號，即傳統矩陣索引，只不過其具備更多的功能。
datatable中的方括號符號
在指數矩陣、C/C++, R, pandas, numpy等數學運算中利用相同的DT[i, j]符號。來看看如何利用datatable執行常見的數據操作活動：
#選擇行/列子集
下列代碼從數據集中選擇所有的行及 funded_amnt列。
datatable_df[:,'funded_amnt']
?
?
這里展示了是如何選取5行及3列的。
datatable_df[:5,:3]
?
#Frame排序
利用datatable
通過datatable完成利用特定列隊frame的排序，如下所示：
%%timedatatable_df.sort('funded_amnt_inv')
__________________________________
CPU times: user 534 ms, sys: 67.9 ms,
total: 602 msWall time: 179 ms
?
利用pandas
%%timepandas_df.sort_values(by = 'funded_amnt_inv')
__________________________________
CPU times: user 8.76 s, sys: 2.87 s,
total: 11.6 sWall time: 12.4 s
?
關注datatable和pandas大量的時間差異。
#刪除行/列
這里闡述了如何刪除名為member_id的列：
del datatable_df[:, 'member_id']
?
#分組
就像在pandas中的一樣，datatable也有分組功能。來看看如何利用grade列來對funded_amount列平均值進行分組。
利用datatable
%%timefor i in range(100):
pandas_df.groupby("grade")["funded_amnt"].
sum()__________________________________
CPU times: user 12.9 s, sys: 859 ms, total: 13.7
sWall time: 13.9 s
.f代表什么？
f代表frame proxy，提供一種簡單的方法來使用當前操作的Frame。就例子而言，dt.f代表dt_df。
#篩選行
篩選行的句法與分組相似。對loan_amnt的這些行進行篩選，其中，loan_amnt的值大于funded_amnt。
datatable_df[dt.f.loan_amnt>dt.f.funded_amnt,"loan_amnt"
儲存Frame
圖片來源：unsplash.com/@pinewatt
還可以將Frame的內容寫入csv文件，以便將來使用
datatable_df.to_csv('output.csv')
documentation傳送門，了解更多操作功能：https://datatable.readthedocs.io/en/latest/using-datatable.html
?
結論
與默認的Panda相比，datatable模塊無疑加快了執行速度，這在處理大型數據集時無疑是一個優勢所在。然而，datatable在功能方面卻落后于Panda。但是，由于仍在積極地開發datatable，將來可能會增加一些庫。
留言 點贊 關注
我們一起分享AI學習與發展的干貨
歡迎關注全平臺AI垂類自媒體 “讀芯術”
（添加小編微信：dxsxbb，加入讀者圈，一起討論最新鮮的人工智能科技哦～）
更多文章、技術交流、商務合作、聯系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點擊下面給點支持吧，站長非常感激您！手機微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
