esproc vs python 6

本节在数据量比较大的情况下，对比esproc和python。

数据量：7000多条万记录，5个字段分别是orderid，clientid，sellerid，amount，date。总大小超过3G。

1. 筛选8月份的交易记录

esproc

A2：f.cursor()

根据文件f创建游标并返回，数据扫描完将自动关闭游标。@t, f中第一行记录作为字段名,不使用本选项时默认使用_1，_2,…作为字段名. @c, 无s时用逗号分隔。如果同时有s则用s分隔。

A3:筛选出8月份的订单记录并取出结果

esproc并行代码：

A2:cursor@m(;n)，@m选项，返回成多路游标，n表示路数。这时结果可能改变原来数据的顺序(筛选数据大多数情况下也不需要保持原序)。

python：

import time  
   
import pandas as pd  
   
import numpy as np  
   
s = time.time()  
   
chunksize=1000000  
   
order_data = pd.read_csv('E:\\orders_big_data\\orders.csv',iterator=True,chunksize=chunksize)  
   
i = 0  
   
month_8_list = []  
   
for chunk in order_data:  
   
    chunk['date'] = pd.to_datetime(chunk['date'])  
   
    chunk_month_8 = chunk[chunk['date'].dt.month==8]  
   
    month_8_list.append(chunk_month_8)  
   
month_8 = pd.concat(month_8_list,ignore_index=True)  
   
print(month_8)  
   
e = time.time()  
   
print(e-s)

定义chunksize大小为1000000万条记录。

pd.read_csv(fileorbuf,iterator,chunksize) iterator，返回一个TextFileReader 对象，以便逐块处理文件，chunksize文件块大小。

循环读取文件，每次都取chunksize的大小，筛选出8月份的记录，放入初始化的list中。

合并list中的dataframe得到结果。

pandas本身不支持并行，所以这里没有python的并行测试。

结果：

esproc单线程

esproc并行：

python

2. 计算出每个销售员每年的销售额和订单数

esproc

A2：按照sellerid和年份进行分组，同时汇总amount和count数。只取出计算需要的字段。

esproc并行代码

python：

import time  
   
import pandas as pd  
   
import numpy as np  
   
s = time.time()  
   
chunksize=1000000  
   
order_data = pd.read_csv('E:\\orders_big_data\\orders.csv',usecols=['sellerid','date','amount'],iterator=True,chunksize=chunksize)  
   
chunk_g_list = []  
   
for chunk in order_data:  
   
    chunk['date'] = pd.to_datetime(chunk['date'])  
   
    chunk['y'] = chunk['date'].dt.year  
   
    chunk_g = chunk.groupby(by=['sellerid','y']).agg(['sum','count']).reset_index()  
   
    chunk_g_list.append(chunk_g)  
   
order_group = pd.concat(chunk_g_list,ignore_index=True).groupby(by=['sellerid','y'],as_index=False).agg({('amount','sum'):['sum'],('amount','count'):['sum']})      
   
order_group.columns = ['sellerid','y','amount','count']  
   
print(order_group)  
   
e = time.time()  
   
print(e-s)

定义chunksize为100万

pd.read_csv(fileorbuf,usecols,iterator,chunksize)usecols是取出需要的字段。

按照chunksize循环读取数据

转换date字段的格式为pandas的datetime格式

新增一列年份y

df.groupby(by),按照sellerid和y进行分组。df.agg(),对分组数据进行多种计算。这里是对分组数据amount进行sum和count计算。

将结果放入list中

合并list中的df，然后再按照sellerid和y分组同时计算amount的sum值，(amount,count)的sum值。

结果：

esproc和esproc并行

python

3. 列出客户名单

esproc

A2：游标读取clientid字段

A3：cs.id(x)获取游标cs中字段x的不同值形成的序列。

python：

import time  
   
import pandas as pd  
   
import numpy as np  
   
s = time.time()  
   
chunksize=1000000  
   
order_data = pd.read_csv('E:\\orders_big_data\\orders.csv',usecols = ['clientid'],iterator=True,chunksize=chunksize)  
   
client_set = set()  
   
for chunk in order_data:  
   
    client_set = client_set|set(chunk['clientid'].values)  
   
print(pd.Series(list(client_set)))  
   
e = time.time()  
   
print(e-s)

定义chunksize，100万

pd.read_csv(),usecols参数是读取的字段，这里只读取clientid字段。

定义一个集合

按照chunksize循环数据，取chunk的clientid字段的值组成集合并与原来的集合求并集，最终的集合即为客户的名单.

为了便于查看将其转成series结构

结果：

esproc

python

4.找到每个销售员销售额最大的3笔订单

esproc

A3：按照sellerid分组并取amount最大的前三条记录。A.top(n;x)存在x时，返回的是记录。针对序列的每个成员计算表达式x，返回前n个最小值对应的记录。

A4:连接top3字段的序表组成新序表。

esproc并行代码

python：

import time  
   
import pandas as pd  
   
import numpy as np  
   
s = time.time()  
   
chunksize=1000000  
   
order_data = pd.read_csv('E:\\orders_big_data\\orders.csv',iterator=True,chunksize=chunksize)  
   
group_list = []  
   
for chunk in order_data:  
   
    for_inter_list = []  
   
    top_n = chunk.groupby(by='sellerid',as_index=False)  
   
    for index,group in top_n:  
   
        group = group.sort_values(by='amount',ascending=False).iloc[:3]  
   
        for_inter_list.append(group)  
   
    for_inter_df = pd.concat(for_inter_list,ignore_index=True)      
   
    group_list.append(for_inter_df)  
   
top_n_gr = pd.concat(group_list,ignore_index=True).groupby(by='sellerid',as_index=False)  
   
top_n_list=[]  
   
for index,group in top_n_gr:  
   
    group = group.sort_values(by='amount',ascending=False).iloc[:3]  
   
    top_n_list.append(group)  
   
top_3 = pd.concat(top_n_list)  
   
print(top_3)  
   
e = time.time()  
   
print(e-s)

定义一个list，用来存放每个chunk生成的df

循环数据

定义一个循环内的list，用来存放分组以后的df

按照sellerid分组

循环分组，按照amount排序，ascending=Falese表示倒序排序，取前三个，然后将结果放入for循环内的list中

合并循环内list的df

循环结束后，合并最初定义的list中的df

再次按照sellerid分组

循环分组，按照amount排序，ascending=Falese表示倒序排序，取前三个

合并这次得到结果，得到每个销售员销售额最大的 3 笔订单

结果：

esproc

python

小结：本节我们用比较大的数据进行了简单的计算，包括条件查询、分组汇总、获得唯一值和topn。从代码的复杂度和运行速度看，esproc都占据了优势，esproc可以轻松的通过并行提高运行效率，充分发挥多核cpu的优势，而python则很难做到。第四例中，python进行了多次循环、排序、合并。我尝试了使用python原生库做第4例的题目，由于一直都是对比的pandas所以这里没有重点介绍，运行效率比pandas快(耗时：183.164)，但仍没有esproc快，这里仅供大家参考。python可以根据内存的大小调节chunksize的大小，在内存允许的情况下chunksize越大，运行效率越高。

第四例，python的另一种代码

s = time.time()  
   
seller_dic = {}  
   
with open('E:\\orders_big_data\\orders2.csv') as fd:  
   
    i=0  
   
    for line in fd:  
   
        if i ==0:  
   
            cols = line.strip().split(',')  
   
            i+=1  
   
        else:  
   
            ss = line.strip().split(',')  
   
            if len(ss) != 5:  
   
                continue  
   
            orderid = ss[0]  
   
            clientid = ss[1]  
   
            sellerid = int(ss[2])  
   
            amount = float(ss[3])  
   
            date = ss[4]              
   
            if sellerid not in seller_dic:  
   
                seller_dic[sellerid]={}  
   
                seller_dic[sellerid][amount] = ss  
   
            else:  
   
                if len(seller_dic[sellerid])<3:  
   
                    seller_dic[sellerid][amount] = ss  
   
                else:  
   
                    if amount>min(seller_dic[sellerid].keys()):  
   
                        seller_dic[sellerid].pop(min(seller_dic[sellerid].keys()))  
   
                        seller_dic[sellerid][amount]=ss                      
   
seller_list = sorted(seller_dic.items(),key=lambda x:x[0])  
   
top_3_list = []  
   
for item in seller_list:  
   
    for j in sorted(item[1].items(),key=lambda x:x[0],reverse=True):  
   
        top_3_list.append(j[1])  
   
top_3_df = pd.DataFrame(top_3_list,columns=cols)          
   
print(top_3_df)  
   
e = time.time()  
   
print(e-s)