В Python / Pandas я пытаюсь нормализовать все числовые c столбцы данных в кадрах на миллион, используя следующий код:
import pandas as pd
def normalize(df):
numerics = ['int16', 'int32', 'int64', 'float16', 'float32', 'float64']
numeric_cols = [col for col in df.columns if df[col].dtype in numerics]
sums = df.sum(axis=0, skipna = True)
for col in numeric_cols:
df.insert(df.columns.get_loc(col)+1, col+'_norm', ((df[col]/sums[col])*1000000)+1)
return df
dataset = pd.read_csv(csv_file, index_col=['Guide1', 'Guide2'], sep=',')
dataset = normalize(dataset)
Это короткий пример ввода:
Guide1,Guide2,Gene1,Gene2,NHT1,NHT2,hart_essential_1,hart_essential_2,lib,RPE1_n1,RPE1_n2,RPE1_n3
Gene_1-KO-3,Non-Human-Target-150-KO-26,Gene_1,Non-Human-Target-150,False,True,False,False,12426.0,10634.0,8701.0,8084.0
Gene_2-KO-3,Non-Human-Target-150-KO-26,Gene_2,Non-Human-Target-150,False,True,False,False,12300.0,12383.0,6252.0,5388.0
Gene_1-KO-3,Gene_4-KO-2,Gene_1,Gene_4,False,False,False,False,11685.0,10006.0,10621.0,7002.0
Gene_1-KO-3,Gene_5-KO-2,Gene_1,Gene_5,False,False,False,False,11347.0,6726.0,3927.0,3943.0
Gene_1-KO-3,Gene_6-KO-1,Gene_1,Gene_6,False,False,False,False,11250.0,12469.0,3552.0,3334.0
Код работает как задумано и нормализует все столбцы цифр c этого кадра данных, но, похоже, работает очень медленно, также с другими методами нормализации. Я регулярно работаю с фреймами данных, которые содержат до нескольких миллионов строк. Для ~ 1 миллиона строк и только для 4 числовых столбцов c на моем мобильном компьютере с процессором Intel Core i7-6600U @ 2,6 ГГц нормализация занимает почти 10 минут, хотя я предварительно вычисляю суммы для каждого столбца. Есть ли способ ускорить это, например, распараллеливание или какой-нибудь изящный трюк Pandas?
Любая помощь и / или указатели очень ценятся!