我有一个约400k IP的列表(存储在pandas数据框df iu IP中)以使用maxming geoIP数据库进行地理定位。我使用City版本,检索城市、栅格、经度和县代码(法国的department),因为有些城市的名称相同,但位于非常不同的地方。在
以下是我的工作代码:
import geoip2.database
import pandas as pd
reader = geoip2.database.Reader('path/to/GeoLite2-City.mmdb')
results = pd.DataFrame(columns=('IP',
'city',
'latitude',
'longitude',
'dept_code'))
for i, IP in enumerate(df_IP["IP"]):
try :
response = reader.city(IP)
results.loc[i] = [IP,response.city.name,response.location.latitude,response.location.longitude,response.subdivisions.most_specific.iso_code]
except Exception as e:
print ("error with line {}, IP {}: {}").format(i,df_IP["IP"][i],e )
它工作得很好,但是每次循环都会变得越来越慢。如果我在1000第一个IP上计时,我需要4.7秒,所以整个400k应该需要大约30分钟,但它运行了将近4个小时。在
随着时间的推移,IMO唯一可以减慢速度的是数据帧的填充results
:我有什么替代方法不使用.loc
,而且可以更快?我最后还是需要同样的数据帧。在
我还想解释一下为什么loc
在大数据帧上运行如此慢。在
我也遇到了同样的问题,正如@oliversm建议的那样,我创建了一个列表,然后将其添加到原始数据集中。 代码如下所示:
。。。。在
我也面临着类似的情况,因为loc导致运行时崩溃。经过一番努力,我找到了一个简单的解决方案,它非常快。 使用set_value代替loc。在
这就是示例代码的外观:您可以根据您的用例对其进行调整。假设你的数据帧是这样的
这将把第二行的列“Label”的值设置为NA。在
有关set U值的更多信息,请访问以下链接:
http://pandas.pydata.org/pandas-docs/version/0.17/generated/pandas.DataFrame.set_value.html
相关问题 更多 >
编程相关推荐