我有一个巨大的TSV(基因组)数据集(1GB大小),它有2504行和220001列。(加载pd.read_table("biallelic-only.raw")
需要1小时11分钟4秒
除了5列之外,所有的列都是分类数据,我想将它们转换为factorize category
对于小样本,此代码很好地解决了以下问题:
data = pd.read_table("biallelic-only.raw")
categorical_feats = [
f for f in data.columns if f not in ['FID', 'IID', 'PAT', 'MAT', 'bmi']
]
categorical_feats
for f in categorical_feats:
data[f], _ = pd.factorize(data[f])
data[f] = data[f].astype('category')
但是这个巨大的需要很长时间
我的问题是,是否可以将数据集作为factoriezed类别加载,而不是稍后将其转换
我知道我们可以这样做:
pd.read_csv('file', dtype={'col_name':type}))
但是,考虑到我有220001列,不可能将所有列都设置为一个数据类型字典。我想知道是否有一种倒置的类型分配方式。类似于:将所有列设置为category
,除了这5列)
谢谢
以分类方式读取数据,并为异常列指定转换器,例如,假设名为
'data.csv'
的玩具文件包含以下数据:你可以做:
输出
在上面的例子中,cost是exception列,在您的例子中,它应该是
['FID', 'IID', 'PAT', 'MAT', 'bmi']
。请注意,转换器字典将取决于您的数据类型(在示例中cost
是一个整数列)相关问题 更多 >
编程相关推荐