摘要：幀的基礎屬性下面來介紹中的一些基礎屬性，這與中的一些功能類似。下面來看看如何在和中，通過對分組來得到列的均值分組分組代表什么在中，代表，它提供一種簡單的方式來引用當前正在操作的幀。

作者 | Parul Pandey

【導讀】工具包 datatable 的功能特征與 Pandas 非常類似，但更側重于速度以及對大數據的支持。此外，datatable 還致力于實現更好的用戶體驗，提供有用的錯誤提示消息和強大的 API 功能。通過本文的介紹，你將學習到如何在大型數據集中使用 datatable 包進行數據處理，特別在數據量特別大的時候你可以發現它可能比 Pandas 更加強大。

data.table 是 R 中一個非常通用和高性能的包，使用簡單、方便而且速度快，在 R 語言社區非常受歡迎，每個月的下載量超過 40 萬，有近 650 個 CRAN 和 Bioconductor 軟件包使用它。如果你是 R 的使用者，可能已經使用過 data.table 包。

而對于 Python 用戶，同樣存在一個名為 datatable 包，專注于大數據支持、高性能內存/內存不足的數據集以及多線程算法等問題。在某種程度上，datatable 可以被稱為是 Python 中的 data.table。

為了能夠更準確地構建模型，現在機器學習應用通常要處理大量的數據并生成多種特征，這已成為必要的。而 Python 的 datatable 模塊為解決這個問題提供了良好的支持，以可能的最大速度在單節點機器上進行大數據操作 (最多100GB)。datatable 包的開發由 H2O.ai 贊助，它的第一個用戶是 Driverless.ai。

接下來，我們就開始初體驗一下 datatable 的簡單使用。

在 MacOS 系統上，datatable 包可以通過 pip 命令安裝，如下圖所示：

pip install datatable

在 Linux 平臺上，安裝過程需要通過二進制分布來實現，如下所示：

很遺憾的是，目前 datatable 包還不能在 Windows 系統上工作，但 Python 官方也在努力地增加其對 Windows 的支持。更多的信息可以查看 Build instructions 的說明。

地址：https://datatable.readthedocs.io/en/latest/install.html

這里使用的數據集是來自 Kaggle 競賽中的 Lending Club Loan Data 數據集, 該數據集包含2007-2015期間所有貸款人完整的貸款數據，即當前貸款狀態 (當前，延遲，全額支付等) 和最新支付信息等。整個文件共包含226萬行和145列數據，數據量規模非常適合演示 datatable 包的功能。

首先將數據加載到 Frame 對象中，datatable 的基本分析單位是 Frame，這與Pandas DataFrame 或 SQL table 的概念是相同的：即數據以行和列的二維數組排列展示。

datatable 讀取%%timedatatable_df = dt.fread("data.csv")____________________________________________________________________CPU times: user 30 s, sys: 3.39 s, total: 33.4 s Wall time: 23.6 s

如上圖，fread() 是一個強大又快速的函數，能夠自動檢測并解析文本文件中大多數的參數，所支持的文件格式包括 .zip 文件、URL 數據，Excel 文件等等。此外，datatable 解析器具有如下幾大功能：

能夠自動檢測分隔符，標題，列類型，引用規則等。能夠讀取多種文件的數據，包括文件，URL，shell，原始文本，檔案和 glob 等。提供多線程文件讀取功能，以獲得最大的速度。在讀取大文件時包含進度指示器。可以讀取 RFC4180 兼容和不兼容的文件。

下面，使用 Pandas 包來讀取相同的一批數據，并查看程序所運行的時間。

%%timepandas_df= pd.read_csv("data.csv")___________________________________________________________CPU times: user 47.5 s, sys: 12.1 s, total: 59.6 sWall time: 1min 4s

由上圖可以看到，結果表明在讀取大型數據時 datatable 包的性能明顯優于 Pandas，Pandas 需要一分多鐘時間來讀取這些數據，而 datatable 只需要二十多秒。

幀轉換 (Frame Conversion)

對于當前存在的幀，可以將其轉換為一個 Numpy 或 Pandas dataframe 的形式，如下所示：

numpy_df = datatable_df.to_numpy()pandas_df = datatable_df.to_pandas()

下面，將 datatable 讀取的數據幀轉換為 Pandas dataframe 形式，并比較所需的時間，如下所示：

%%timedatatable_pandas = datatable_df.to_pandas()___________________________________________________________________CPU times: user 17.1 s, sys: 4 s, total: 21.1 sWall time: 21.4 s

看起來將文件作為一個 datatable frame 讀取，然后將其轉換為 Pandas dataframe比直接讀取 Pandas dataframe 的方式所花費的時間更少。因此，通過 datatable 包導入大型的數據文件再將其轉換為 Pandas dataframe 的做法是個不錯的主意。

type(datatable_pandas)___________________________________________________________________pandas.core.frame.DataFrame

下面來介紹 datatable 中 frame 的一些基礎屬性，這與 Pandas 中 dataframe 的一些功能類似。

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)

也可以通過使用 head 命令來打印出輸出的前 n 行數據，如下所示：

datatable_df.head(10)

注意：這里用顏色來指代數據的類型，其中紅色表示字符串，綠色表示整型，而藍色代表浮點型。

在 Pandas 中，總結并計算數據的統計信息是一個非常消耗內存的過程，但這個過程在 datatable 包中是很方便的。如下所示，使用 datatable 包計算以下每列的統計信息：

datatable_df.sum() datatable_df.nunique()datatable_df.sd() datatable_df.max()datatable_df.mode() datatable_df.min()datatable_df.nmodal() datatable_df.mean()

下面分別使用 datatable 和Pandas 來計算每列數據的均值，并比較二者運行時間的差異。

datatable 讀取%%timedatatable_df.mean()_______________________________________________________________CPU times: user 5.11 s, sys: 51.8 ms, total: 5.16 sWall time: 1.43 s

Pandas 讀取pandas_df.mean()__________________________________________________________________Throws memory error.

可以看到，使用 Pandas 計算時拋出內存錯誤的異常。

和 dataframe 一樣，datatable 也是柱狀數據結構。在 datatable 中，所有這些操作的主要工具是方括號，其靈感來自傳統的矩陣索引，但它包含更多的功能。諸如矩陣索引，C/C++，R，Pandas，Numpy 中都使用相同的 DT[i，j] 的數學表示法。下面來看看如何使用 datatable 來進行一些常見的數據處理工作。

選擇行/列的子集

下面的代碼能夠從整個數據集中篩選出所有行及 funded_amnt 列：

datatable_df[:,"funded_amnt"]

這里展示的是如何選擇數據集中前5行3列的數據，如下所示：

datatable_df[:5,:3]

datatable 排序

在 datatable 中通過特定的列來對幀進行排序操作，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

Pandas 排序%%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

可以看到兩種包在排序時間方面存在明顯的差異。

刪除行/列

下面展示如何刪除 member_id 這一列的數據：

del datatable_df[:, "member_id"]

分組 (GroupBy)

與 Pandas 類似，datatable 同樣具有分組 (GroupBy) 操作。下面來看看如何在 datatable 和 Pandas 中，通過對 grade 分組來得到 funded_amout 列的均值：

datatable 分組%%timefor i in range(100): datatable_df[:, dt.sum(dt.f.funded_amnt), dt.by(dt.f.grade)]____________________________________________________________________CPU times: user 6.41 s, sys: 1.34 s, total: 7.76 sWall time: 2.42 s

pandas 分組%%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

在 datatable 中，f 代表 frame_proxy，它提供一種簡單的方式來引用當前正在操作的幀。在上面的例子中，dt.f 只代表 dt_df。

過濾行

在 datatable 中，過濾行的語法與GroupBy的語法非常相似。下面就來展示如何過濾掉 loan_amnt 中大于 funding_amnt 的值，如下所示。

datatable_df[dt.f.loan_amnt>dt.f.funded_amnt,"loan_amnt"]

保存幀

在 datatable 中，同樣可以通過將幀的內容寫入一個 csv 文件來保存，以便日后使用。如下所示：

datatable_df.to_csv("output.csv")

有關數據操作的更多功能，可查看 datatable 包的說明文檔

地址：https://datatable.readthedocs.io/en/latest/using-datatable.html

在數據科學領域，與默認的 Pandas 包相比，datatable 模塊具有更快的執行速度，這是其在處理大型數據集時的一大優勢所在。然而，就功能而言，目前 datatable 包所包含的功能還不如 pandas 完善。相信在不久的將來，不斷完善的 datatable 能夠更加強大。

譯者 | linstancy

責編 | Jane

出品 | Python大本營（id：pythonnews）

本文所涉及的代碼可以從 Github 或 binder 上獲取：

Github 地址：https://github.com/parulnith/An-Overview-of-Python-s-Datatable-package)binder 地址：https://mybinder.org/v2/gh/parulnith/An-Overview-of-Python-s-Datatable-package/master?filepath=An%20Overview%20of%20Python%27s%20Datatable%20package.ipynb