|
|
|
|
移动端

澳门永利开户网址:Python,Numpy,Pandas…数据科学家必备排序技巧

本文来源:http://www.2233122.com/www_duwenzhang_com/

太阳城娱乐网最快登入,  通过表中的12个译本可以发现,馆藏量最大的是陈志让和迈克尔·布洛克的《毛泽东和中国革命》,1965年由牛津大学出版社在伦敦和纽约同时出版。  睡觉枕头太高,或者力量训练背部动作导致肌力不平衡,也都可能造成头前伸。它用蘸满人文情怀的笔触关怀现实,用“尽精微、致广大”的教学理念孕育出一代代具有“文心”和“匠意”的人才,也在用心勾勒出一幅“具有鲜明中国特色、世界一流水平”的高等美术学院的宏伟蓝图。对于以前的胖丫大家应该会比较了解一些,以前是这个样子的。

  他想在月湖买一栋楼  现年73岁的罗杰斯看起来精神十分饱满,对宁波的气温也非常适应,粉红色的衬衫与蓝色的领结让个子不高的他在人群中极为显眼。他在书中总结:“人们从不同来源中了解内幕,并将这些来源组合在一起之后,自然就会得出自己的结果——这和人们了解真相的过程一样。  中央第一巡视组专项巡视国务院参事室党组工作动员会召开  根据中央统一部署,2016年7月2日下午,中央第一巡视组专项巡视国务院参事室党组工作动员会召开。核桃,食疗价值很高,有健胃、补血、润肺、养神、延年益寿等作用;提子干,内含大量葡萄糖,对心肌有营养作用,有助于冠心病人的康复,由于钙、磷、铁的相对含量高,并有多量维生素和氨基酸,是老年人、妇女及体弱贫血者的滋补佳品。

1969年,法国又出版了《毛泽东诗词大全》,翻译了38首毛泽东诗词,由著名学者伊·布罗索莱翻译。溃疡持续时间较长,可达1-2个月或更长。新鲜的龙眼肉质极嫩,汁多甜蜜,美味可口,实为其他果品所不及。l发布前后,与乐视之间关于骁龙820的PPT首发、销售首发的明争暗斗,产量爬坡、现货发售疑云、“预约资格”等诸多事件给消费者的感觉偏负面。

对数据进行分类整理是数据科学家和数据工程师的基础工作。Python会提供许多内置库,优化排序选项。有些库甚至可以同时在GPU上运行。令人惊奇的是,一些排序方法并没有使用之前所述的算法类型,其他方法的执行效果也不如预期。

作者:读芯术来源:太阳城娱乐网最快登入今日头条|2019-09-11 14:34

对数据进行分类整理是数据科学家和数据工程师的基础工作。Python会提供许多内置库,优化排序选项。有些库甚至可以同时在GPU上运行。令人惊奇的是,一些排序方法并没有使用之前所述的算法类型,其他方法的执行效果也不如预期。

选择使用哪种库和哪类排序算法着实难办,因为算法的执行变化很快。本文将具体展开讲解,提供一些帮助记忆算法的技巧,分享测速的结果。

Python,Numpy,Pandas…数据科学家必备排序技巧
分好类的茶

开始排序吧!

更新于2019年7月17日:速度测试结果现在包括PyTorch和TensorFlow的GPU执行。TensorFlow还包括tensorflow==2.0.0-beta1和tensorflow-gpu==2.0.0-beta1下的CPU结果。令人感到惊奇的发现是:PyTorch GPU变亮的速度更快,TensorFlow GPU比TensorFlow CPU速度更慢。

有许多不同的基本排序算法。有些比其他执行速度更快、占用内存更小。有些适合处理大数据,还有些可以更好地对特定序列数据进行排排序。可参见下表了解许多常用算法的时间和空间复杂性。

Python,Numpy,Pandas…数据科学家必备排序技巧
图片来自 /bigocheatsheet_com/

了解基础的算法并不能解决大多数数据科学问题。事实上,过早的优化处理说不定什么时候就会被视为错误源泉。不过需要重复排序大量数据时,知道使用哪个库和哪些关键字参数会十分有用。以下是一个备忘表。

Python,Numpy,Pandas…数据科学家必备排序技巧

Google表格可在此处获取

多年来,许多库的排序算法都发生了变化。用于本文分析的软件版本如下。

  • python 3.6.8
  • numpy 1.16.4
  • pandas 0.24.2
  • tensorflow==2.0.0-beta1
  • #tensorflow-gpu==2.0.0-beta1 slows sorting
  • pytorch 1.1

让我们从基础开始吧!

Python (vanilla版)

Python,Numpy,Pandas…数据科学家必备排序技巧

Python包含两个内置排序法。

  • my_list.sort()对原有列表进行排序。改变了列表。sort()返回None。
  • sorted(my_list)生成任何可迭代的排序副本。sorted()返回已排序的迭代。sort()不会改变原始迭代。

sort()应该更快,因为已到位。神奇的是这不是下面测试中的发现。就地排序更危险,因为会改变原始数据。

Python,Numpy,Pandas…数据科学家必备排序技巧
香草味冰激凌

说到vanilla版Python,本文呈现的默认排序顺序都是升序—从小到大。大多数排序方法采用关键字参数,将顺序切换为降序。对大脑来说很不幸,因为每个库的参数名称都不同。

要将vanilla Python中排序方式更改为降序,通过reverse = True.

key可以作为关键字参数来传递,从而创建自己的排序标准。例如,sort(key = len)将按照每个列表项的长度排序。

Vanilla Python中唯一使用的排序算法是Timsort。Timsort会根据要排序的数据特征选择排序方法。举个例子,如果排短列表,就采用插入排序。

Timsort以及Vanilla Python的其他算法都很稳定。这意味着如果有多个相同值,这些数据在排序后仍维持原始顺序。

想要记住sort()与sorted()不同,就记着sorted比sort单词长,并且因复制需要排序时间会更长。虽然下面的结果与传统观念相悖,但助记符仍然起作用。

NumPy

Python,Numpy,Pandas…数据科学家必备排序技巧

Numpy是用于科学计算的Python基础库。与vanilla Python一样,有两种执行方式,一种是变异数组,另一种是数据的复制。

  • my_array.sort()改变有序数组并返回已排序数组。
  • np.sort(my_array)返回已排序数组的副本,因此原始数组不会改变。

以下是可选参数。

  • axis:int,可选—要排序的轴。默认值为-1,表示沿最后一个轴排序。
  • kind:{'quicksort','mergesort','heapsort','stable'},可选—排序算法。默认为'quicksort'。详细信息如下。
  • order:str或str的列表,可选—当a是已定义字段的数组时,该参数会指定首先比较哪一字段,其次是哪个等等。可以指定单个字段为字符串,而且不是所有字段都需指定,不过仍需按照未指定字段在dtype中的顺序执行,打破联系。

现在,人们使用的排序算法与根据名字联想的略有不同。通过kind = quicksort意味着排序实际是从introsort算法开始的。

若[它]没有明显进展,则会切换成堆排序算法。执行该操作最坏的情况就是产生快速排序O(n * log(n))。Stable会自动为正在排序的数据类型选择最稳定的排序算法。目前依据数据类型,它与合并排序一起映射到tim排序或基数排序中。API前向兼容性目前抑制了选择执行的能力,并且是不同数据类型的硬连线。添加Timsort是为了更好地处理已完成或几乎排好序的数据。对于随机数据,timsort在处理方式上几乎与mergesort相同。现在timsort用于稳定排序,而在没有其他选择的情况下,quicksort仍为默认排序...'mergesort'和'stable'会映射到整数数据类型的基数排序。 来自Numpy文档 -(部分内容有改动)

其中一点是Numpy提供了比vanilla Python排序算法选项更大的控制范围。第二点是kind关键字值不一定与实际排序类型相对应。最后一点是mergesort和stable值是稳定的,但quicksort和heapsort不是。

Numpy排序是列表中唯一没有用关键字参数来反转排序顺序的操作。幸运的是,这个可快速反转数组顺序:my_arr [:: -1]。

Numpy算法选项在更受欢迎的Pandas中也适用—而且这些功能更容易保持稳定。

Pandas

Python,Numpy,Pandas…数据科学家必备排序技巧

通过df.sort_values(by = my_column)对Pandas DataFrame进行排序。有许多可用关键字参数。

  • by:str或str of list,required—要排序的名称或名称列表。如果axis为0或index,那by可能会有索引级别和/或列标签。如果axis为1或columns,则by可能含级别和/或索引标签。
  • axis:{0或index,1或columns},默认为0—排序轴。
  • ascending:bool或bool列表,默认为True—按升序与降序排序。指定多个排序顺序的列表。如果是bool列表,就必须与by参数长度匹配。
  • inplace:bool,默认为False—如果为True,则直接对其执行操作。
  • kind:{quicksort,mergesort,heapsort或stable},默认快速排序—选择排序算法。可另参见ndarray.np.sort了解更多内容。对于DataFrames,此法仅应用于单列或单标签的排序。
  • na_position:{‘first’,‘last’},默认‘last’ - 首先以NaNs作为开头,最后将NaNs作为结尾。

按照相同的句法对Pandas系列进行排序。用Series时,不需要输入by关键字,因为列不多。

Pandas用到了Numpy计算法,动动手指即可轻松获得同等优化的排序选项。但是,Pandas操作需要更多的时间。

按单列排序时的默认设置是Numpy的quicksort。如果排序进度很慢,那么实际为内省排序的quicksort会变为堆排序。Pandas确保多列排序使用Numpy的mergesort。Numpy中的mergesort实际用的是Timsort和Radix排序算法。这些排序算法都很稳定,而且多数列排序中稳定排序是很有必要的。

使用Pandas需记住的关键内容:

  • 函数名称:sort_values()。
  • by= column_name或列名列表。
  • “ ascending”是逆转的关键字。
  • 用mergesort进行稳定排序。

在进行探索性数据分析时,常发现自己是用Series.value_counts()在Pandas DataFrame中对值进行求和排序的。这是一个代码片段,用于每列常用值的求和和排序。

  1. for c in df.columns:  
  2. print(f"---- {c} ---" 
  3. print(df[c].value_counts().head()) 

Dask,实际上是用于大数据的Pandas,到2019年中期还没有实现并行排序,尽管大家一直在讨论这个。

对小数据集进行探索性数据分析,Pandas排序是个不错的选择。当数据很大,想要在GPU上并行搜索时,你也许会想到TensorFlow或PyTorch。

TensorFlow

Python,Numpy,Pandas…数据科学家必备排序技巧

TensorFlow是最受欢迎的深度学习框架。以下是TensorFlow 2.0的简介。

tf.sort(my_tensor)返回tensor排序副本。可选参数有:

  • axis:{int,optional}待排序轴。默认值为-1,对最后一个轴进行排序。
  • direction:{ascending or descending}—数值排序的方向。
  • name:{str,optional}—操作的名称。

tf.sort在幕后使用top_k()方法。top_k使用CUB库的CUDA GPU促使并行性更容易实现。正如文档所述“CUB为CUDA编程模型的每一项程序都提供了最先进、可重复利用的软件组件。”TensorFlow通过CUB在GPU上使用基数排序。

为了使GPU能够满足TensorFlow 2.0,你需要!pip3 install tensorflow-gpu==2.0.0-beta1。我们会从下面的评论看到,如果你要进行排序,你可能想坚持tensorflow==2.0.0-beta1。

使用下面一小段代码来检查代码的每一行是否都能在CPU 或GPU中运行:

  1. tf.debugging.set_log_device_placement(True

为了详述你想要使用GPU,使用下面代码:

  1. with tf.device('/GPU:0'):  
  2. %time tf.sort(my_tf_tensor) 

使用 with tf.device('/CPU:0'):为了使用CPU。

假如在TensorFlow中工作,tf.sort()是非常直观的记忆和使用方法。只需记住direction = descending可转换排序顺序。

PyTorch

Python,Numpy,Pandas…数据科学家必备排序技巧

torch.sort(my_tensor)返回tensor排序副本。可选参数有:

  • dim:{int,optional} - 待排序维度
  • descending:{bool,optional} - 控制排序顺序(升序或降序)。
  • out:{tuple,optional} - (Tensor,LongTensor)的输出元组,可以作为输出缓冲区。

通过将.cuda()粘贴到张量的末尾来指定要使用GPU进行排序。

  1. gpu_tensor=my_pytorch_tensor.cuda()  
  2. %time torch.sort(gpu_tensor) 

一些分析表明,如果任何大于100万行乘以100,000列的数据集要排序,PyTorch将通过Thrust利用分段式并行排序。

不幸的是,当我们试图通过Google Colab中的Numpy创建1.1M x 100K随机数据点时,发现内存已不足。然后尝试了416 MB RAM的GCP,依旧没有内存。

分段排序和位置排序是mergesort的高性能体现,处理非均匀随机数据。分段排序使我们能够并行排序许多长度可变数组。 /moderngpu_github_io/segsort.html

Thrust作为并行算法库,实现了GPU与多核CPU之间的联系。提供了排序原语,可自动选择最有效的执行方式。TensorFlow使用的CUB库会用来包装Thrust。PyTorch和TensorFlow在操作时GPU分类法相似 - 无论选择何种。

与TensorFlow一样,PyTorch的排序方法记起来相当容易:torch.sort()。唯一费脑子的是排序值的方向:TensorFlow使用direction,而PyTorch使用descending。

虽然用GPU进行排序对于非常大的数据集来说可能是一个很好的选择,但直接在SQL中对数据进行排序也是可以的。

SQL

SQL中的排序通常非常快,特别是在内存中执行时。

SQL很规范,但没有规定某操作必须使用哪种排序算法。Postgres使用磁盘合并排序,堆排序或快速排序,视情况而定。如果内存够,在内存中排序会更快。通过work_mem设置增加排序的可用内存。

其他SQL的执行使用不同排序算法。例如,根据Stack Overflow的回答,谷歌BigQuery的内省排序采取了一些措施。

SQL中的排序由ORDER BY命令执行。这种句法不同于所有使用单词sort的Python排序执行。其实更容易记住SQR语句与ODER BY,因为非常独特。

为使排序降序,请用关键字DESC。因此,按字母顺序从最后一个到第一个反馈给客户的查询如下所示:

  • SELECT Names FROM Customers
  • ORDER BY Names DESC;

比较

对于上面的每个Python库,我们对wall time进行了分析,以便在单列,单数组或单列表中对相同的1,000,000个数据点进行排序。同时使用了配有T4 GPU的Google Colab Jupyter笔记本。

Python,Numpy,Pandas…数据科学家必备排序技巧
数据来源: /colab_research_google_com/drive/1NNarscUZHUnQ5v-FjbfJmB5D3kyyq9Av

观察

  • 对于Numpy和Pandas,inplace比复制数据更快。这并不奇怪。
  • Pandas默认快速排序相当快。
  • 大多数Pandas功能相对较慢。
  • TensorFlow操作相当快。
  • Python inplace排序慢得出奇。比Numpy inplace mergesort和TensorFlow慢了10倍。曾多次对其进行测试(使用不同的数据)来确认这不是一个异常现象。

重申,这只是一个小测试。绝对不是决定性的。

Wrap

通常不需要自定义排序。选择很多。一般不会采用单一的排序方法。相反,首先对数据进行评估,然后用效果更好的排序算法。如果排序进展不快,执行操作时也会自行改变算法。

在本文中,你已经了解了如何在Python数据科学堆和SQL中的每个板块里进行排序。

只需要记住选择哪个选项以及如何调用它们。可用上面的备忘表,节省时间。大致建议如下:

  • 使用默认的Pandas sort_values()来探索相对较小的数据集。
  • 数据集较大或运行速度较高时,尝试Numpy的就地合并,PyTorch或TensorFlow并行GPU方式或SQL。

【编辑推荐】

  1. 太阳城娱乐网最快登入数据科学中的强大思维
  2. 7个原因告诉你数据科学家为什么“供不应求”
  3. 写给大数据从业者:数据科学的5个陷阱与缺陷
  4. 美国十大热门数据科学Data Science全面解析
  5. 太阳城娱乐网最快登入数据科学中的“帕累托法则”
【责任编辑:未丽燕 TEL:(010)68476606】

点赞 0
分享:
大家都在看
猜你喜欢

订阅专栏+更多

AI入门级算法

AI入门级算法

算法常识
共22章 | 周萝卜123

36人订阅学习

这就是5G

这就是5G

5G那些事儿
共15章 | armmay

120人订阅学习

16招轻松掌握PPT技巧

16招轻松掌握PPT技巧

GET职场加薪技能
共16章 | 晒书包

371人订阅学习

读 书 +更多

非常网管——网络应用

在网络应用越来越复杂的今天,传统的网络应用已经不能满足企业和用户的需要,这就对网络管理员、信息管理部门提出了更高的要求。本书介绍了...

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊

51CTO服务号

51CTO官微

沙龙游戏怎么登入 菲律宾申博官方直营网 菲律宾太阳娱乐游戏登入 申博网上娱乐登入 申博免费开户申博线路检测 www.8888msc.com
菲律宾申博太阳网上娱乐99 四川申博官网登入 菲律宾太阳网上娱乐 申博注册登入 菲律宾申博游戏登入 太阳城娱乐
菲律宾申博88msc娱乐 菲律宾太阳娱乐网址登入 辉煌国际游戏登入 升级版申博太阳城直营网 申博游戏中心直营网 申博电子游戏开户登入