使用Python分析14億條數(shù)據(jù)
Google Ngram viewer是一個(gè)有趣和有用的工具，它使用谷歌從書本中掃描來的海量的數(shù)據(jù)寶藏，繪制出單詞使用量隨時(shí)間的變化。舉個(gè)例子，單詞 Python (區(qū)分大小寫)：
這幅圖來自：books.google.com/ngrams/grap…，描繪了單詞 'Python' 的使用量隨時(shí)間的變化。
它是由谷歌的 n-gram 數(shù)據(jù)集驅(qū)動的，根據(jù)書本印刷的每一個(gè)年份，記錄了一個(gè)特定單詞或詞組在谷歌圖書的使用量。然而這并不完整（它并沒有包含每一本已經(jīng)發(fā)布的書！），數(shù)據(jù)集中有成千上百萬的書，時(shí)間上涵蓋了從 16 世紀(jì)到 2008 年。數(shù)據(jù)集可以免費(fèi)從這里下載。
我決定使用 Python 和我新的數(shù)據(jù)加載庫 PyTubes 來看看重新生成上面的圖有多容易。
挑戰(zhàn)
1-gram 的數(shù)據(jù)集在硬盤上可以展開成為 27 Gb 的數(shù)據(jù)，這在讀入 python 時(shí)是一個(gè)很大的數(shù)據(jù)量級。Python可以輕易地一次性地處理千兆的數(shù)據(jù)，但是當(dāng)數(shù)據(jù)是損壞的和已加工的，速度就會變慢而且內(nèi)存效率也會變低。
總的來說，這 14 億條數(shù)據(jù)（1,430,727,243）分散在 38 個(gè)源文件中，一共有 2 千 4 百萬個(gè)（24,359,460）單詞（和詞性標(biāo)注，見下方），計(jì)算自 1505 年至 2008 年。
當(dāng)處理 10 億行數(shù)據(jù)時(shí)，速度會很快變慢。并且原生 Python 并沒有處理這方面數(shù)據(jù)的優(yōu)化。幸運(yùn)的是，numpy 真的很擅長處理大體量數(shù)據(jù)。 使用一些簡單的技巧，我們可以使用 numpy 讓這個(gè)分析變得可行。
在 python/numpy 中處理字符串很復(fù)雜。字符串在 python 中的內(nèi)存開銷是很顯著的，并且 numpy 只能夠處理長度已知而且固定的字符串。基于這種情況，大多數(shù)的單詞有不同的長度，因此這并不理想。
Loading the data
下面所有的代碼/例子都是運(yùn)行在 8 GB 內(nèi)存 的 2016 年的 Macbook Pro。 如果硬件或云實(shí)例有更好的 ram 配置，表現(xiàn)會更好。
1-gram 的數(shù)據(jù)是以 tab 鍵分割的形式儲存在文件中，看起來如下：
- Python 1587 4 2
- Python 1621 1 1
- Python 1651 2 2
- Python 1659 1 1
每一條數(shù)據(jù)包含下面幾個(gè)字段：
1. Word
2. Year of Publication
3. Total number of times the word was seen
4. Total number of books containing the word
為了按照要求生成圖表，我們只需要知道這些信息，也就是：
1. 這個(gè)單詞是我們感興趣的？
2. 發(fā)布的年份
3. 單詞使用的總次數(shù)
通過提取這些信息，處理不同長度的字符串?dāng)?shù)據(jù)的額外消耗被忽略掉了，但是我們?nèi)匀恍枰獙Ρ炔煌址臄?shù)值來區(qū)分哪些行數(shù)據(jù)是有我們感興趣的字段的。這就是 pytubes 可以做的工作：
- import tubes
- FILES = glob.glob(path.expanduser("~/src/data/ngrams/1gram/googlebooks*"))
- WORD = "Python"
- one_grams_tube = (tubes.Each(FILES)
- .read_files()
- .split()
- .tsv(headers=False)
- .multi(lambda row: (
- row.get(0).equals(WORD.encode('utf-8')),
- row.get(1).to(int),
- row.get(2).to(int)
- ))
- )
差不多 170 秒（3 分鐘）之后， onegrams_ 是一個(gè) numpy 數(shù)組，里面包含差不多 14 億行數(shù)據(jù)，看起來像這樣（添加表頭部為了說明）：
- ╒═══════════╤════════╤═════════╕
- │ Is_Word │ Year │ Count │
- ╞═══════════╪════════╪═════════╡
- │ 0 │ 1799 │ 2 │
- ├───────────┼────────┼─────────┤
- │ 0 │ 1804 │ 1 │
- ├───────────┼────────┼─────────┤
- │ 0 │ 1805 │ 1 │
- ├───────────┼────────┼─────────┤
- │ 0 │ 1811 │ 1 │
- ├───────────┼────────┼─────────┤
- │ 0 │ 1820 │ ... │
- ╘═══════════╧════════╧═════════╛
從這開始，就只是一個(gè)用 numpy 方法來計(jì)算一些東西的問題了：
每一年的單詞總使用量
谷歌展示了每一個(gè)單詞出現(xiàn)的百分比（某個(gè)單詞在這一年出現(xiàn)的次數(shù)/所有單詞在這一年出現(xiàn)的總數(shù)），這比僅僅計(jì)算原單詞更有用。為了計(jì)算這個(gè)百分比，我們需要知道單詞總量的數(shù)目是多少。
幸運(yùn)的是，numpy讓這個(gè)變得十分簡單：
- last_year = 2008
- YEAR_COL = '1'
- COUNT_COL = '2'
- year_totals, bins = np.histogram(
- one_grams[YEAR_COL],
- density=False,
- range=(0, last_year+1),
- bins=last_year + 1,
- weights=one_grams[COUNT_COL]
- )
繪制出這個(gè)圖來展示谷歌每年收集了多少單詞：
很清楚的是在 1800 年之前，數(shù)據(jù)總量下降很迅速，因此這回曲解最終結(jié)果，并且會隱藏掉我們感興趣的模式。為了避免這個(gè)問題，我們只導(dǎo)入 1800 年以后的數(shù)據(jù)：
- one_grams_tube = (tubes.Each(FILES)
- .read_files()
- .split()
- .tsv(headers=False)
- .skip_unless(lambda row: row.get(1).to(int).gt(1799))
- .multi(lambda row: (
- row.get(0).equals(word.encode('utf-8')),
- row.get(1).to(int),
- row.get(2).to(int)
- ))
- )
這返回了 13 億行數(shù)據(jù)（1800 年以前只有 3.7% 的的占比）
Python 在每年的占比百分?jǐn)?shù)
獲得 python 在每年的占比百分?jǐn)?shù)現(xiàn)在就特別的簡單了。
使用一個(gè)簡單的技巧，創(chuàng)建基于年份的數(shù)組，2008 個(gè)元素長度意味著每一年的索引等于年份的數(shù)字，因此，舉個(gè)例子，1995 就只是獲取 1995 年的元素的問題了。
這都不值得使用 numpy 來操作：
- word_rows = one_grams[IS_WORD_COL]
- word_counts = np.zeros(last_year+1)
- for _, year, count in one_grams[word_rows]:
- word_counts[year] += (100*count) / year_totals[year]
繪制出 word_counts 的結(jié)果：
形狀看起來和谷歌的版本差不多
實(shí)際的占比百分?jǐn)?shù)并不匹配，我認(rèn)為是因?yàn)橄螺d的數(shù)據(jù)集，它包含的用詞方式不一樣（比如：Python_VERB）。這個(gè)數(shù)據(jù)集在 google page 中解釋的并不是很好，并且引起了幾個(gè)問題：
- 人們是如何將 Python 當(dāng)做動詞使用的？
- 'Python' 的計(jì)算總量是否包含 'Python_VERB'？等
幸運(yùn)的是，我們都清楚我使用的方法生成了一個(gè)與谷歌很像的圖標(biāo)，相關(guān)的趨勢都沒有被影響，因此對于這個(gè)探索，我并不打算嘗試去修復(fù)。
性能
谷歌生成圖片在 1 秒鐘左右，相較于這個(gè)腳本的 8 分鐘，這也是合理的。谷歌的單詞計(jì)算的后臺會從明顯的準(zhǔn)備好的數(shù)據(jù)集視圖中產(chǎn)生作用。
舉個(gè)例子，提前計(jì)算好前一年的單詞使用總量并且把它存在一個(gè)單獨(dú)的查找表會顯著的節(jié)省時(shí)間。同樣的，將單詞使用量保存在單獨(dú)的數(shù)據(jù)庫/文件中，然后建立***列的索引，會消減掉幾乎所有的處理時(shí)間。
這次探索 確實(shí) 展示了，使用 numpy 和 初出茅廬的 pytubes 以及標(biāo)準(zhǔn)的商用硬件和 Python，在合理的時(shí)間內(nèi)從十億行數(shù)據(jù)的數(shù)據(jù)集中加載，處理和提取任意的統(tǒng)計(jì)信息是可行的，
語言戰(zhàn)爭
為了用一個(gè)稍微更復(fù)雜的例子來證明這個(gè)概念，我決定比較一下三個(gè)相關(guān)提及的編程語言：Python，Pascal, 和 Perl.
源數(shù)據(jù)比較嘈雜（它包含了所有使用過的英文單詞，不僅僅是編程語言的提及，并且，比如，python 也有非技術(shù)方面的含義！），為了這方面的調(diào)整， 我們做了兩個(gè)事情：
- 只有首字母大寫的名字形式能被匹配（Python，不是 python）
- 每一個(gè)語言的提及總數(shù)已經(jīng)被轉(zhuǎn)換到了從 1800 年到 1960 年的百分比平均數(shù)，考慮到 Pascal 在 1970 年***次被提及，這應(yīng)該有一個(gè)合理的基準(zhǔn)線。
結(jié)果:
對比谷歌 (沒有任何的基準(zhǔn)線調(diào)整):
運(yùn)行時(shí)間: 只有 10 分鐘多一點(diǎn)
代碼: gist.github.com/stestagg/91…
以后的 PyTubes 提升
在這個(gè)階段，pytubes 只有單獨(dú)一個(gè)整數(shù)的概念，它是 64 比特的。這意味著 pytubes 生成的 numpy 數(shù)組對所有整數(shù)都使用 i8 dtypes。在某些地方（像 ngrams 數(shù)據(jù)），8 比特的整型就有點(diǎn)過度，并且浪費(fèi)內(nèi)存（總的 ndarray 有 38Gb，dtypes 可以輕易的減少其 60%）。 我計(jì)劃增加一些等級 1，2 和 4 比特的整型支持(github.com/stestagg/py…)
更多的過濾邏輯 - Tube.skip_unless() 是一個(gè)比較簡單的過濾行的方法，但是缺少組合條件（AND/OR/NOT）的能力。這可以在一些用例下更快地減少加載數(shù)據(jù)的體積。
更好的字符串匹配 —— 簡單的測試如下：startswith, endswith, contains, 和 isoneof 可以輕易的添加，來明顯地提升加載字符串?dāng)?shù)據(jù)是的有效性。
