我需要处理一个包含 300 万行和 7 列的大型 csv 文件。 DataFrame 的形状:(3421083, 7)
我的计划是删除所有包含特定值(客户 ID)的行，以下是我的处理方式:
#keep track of iterations
track = 0
#import all transactions (orders.csv)
transactions = pd.read_csv('transactions.csv')
#We select all orders that are electronics orders and put them into a df
is_electronics = transactions[transactions.type == "electronics"]
#Create arrays that will store users to destroy in transactions.csv
users_to_remove = []
#iterate to add appropriate values:
# we add all users that ordered electronics to a list
for user in is_electronics.user_id:
users_to_remove.append(user)
#We delete from orders.csv
for user in users_to_remove:
transactions = transactions[transactions.user_id != user]
track += 1
if track == 100000:
print(track)
track = 0
transactions.to_csv('not_electronics.csv', index = False)
这个操作花了我 1 小时以来运行它的时间，但它仍然没有完成。
我有一台四核 i5 台式机，主频为 3.2 GHz，内存为 8GB。但是在事件监视器中，计算机只使用了 5 gbs 的内存和 40% 的 cpu。
有什么方法可以加快这个过程的计算速度吗？是通过更改代码还是使用其他库？
我也有一个 gpu (gtx 970)，我可以用它来处理这个吗？
谢谢。
请您参考如下方法:
使用isin
is_electronics = transactions.type == 'electronics'
users_to_remove = transactions.loc[is_electronics, 'user_id'].unique()
transactions[~transactions.user_id.isin(users_to_remove)]
为了安全起见，已删除之前的建议
对于后代，这是@DSM 的建议
is_electronics = transactions.type.values == 'electronics'
users = transactions.user_id.values
transactions[~np.in1d(users, users[is_electronics])]
