熊猫：解决国家知识产权的最快方法

Question

我有一个find_country_from_connection_ip带ip 的函数，经过一些处理后返回了一个国家。如下所示：

def find_country_from_connection_ip(ip):
    # Do some processing
    return county

我正在使用函数内部apply方法。如下所示：

df['Country'] = df.apply(lambda x: find_country_from_ip(x['IP']), axis=1)

因为很简单，我想要的是从具有>400000行的DataFrame中的现有列中评估一个新列。

它运行，但是非常慢，并引发如下异常：

...........：SettingWithCopyWarning：试图在DataFrame的切片副本上设置一个值。尝试改用.loc [row_indexer，col_indexer] = value

请参阅文档中的警告：http : //pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy

如果name ==' main '：在[38]中：

我了解问题所在，但还不太清楚如何loc与applyand 结合使用lambda。

注意：如果您有更有效的替代解决方案，可以带来最终结果，请提出建议。

****编辑********

该功能主要是对mmdb数据库的查找，如下所示：

def find_country_from_ip(ip):
    result = subprocess.Popen("mmdblookup --file GeoIP2-Country.mmdb --ip {} country names en".format(ip).split(" "), stdout=subprocess.PIPE).stdout.read()
    if result:
        return re.search(r'\"(.+?)\"', result).group(1) 
    else:
        final_output = subprocess.Popen("mmdblookup --file GeoIP2-Country.mmdb --ip {} registered_country names en".format(ip).split(" "), stdout=subprocess.PIPE).stdout.read()
        return re.search(r'\"(.+?)\"', final_output).group(1)

但是，这是一项昂贵的操作，并且当您有一个带>400000行的DataFrame时，应该花费一些时间。但是多少钱？就是那个问题。我大约需要2个小时。

Answer 1

我会为此使用maxminddb-geolite2(GeoLite) 模块。

首先安装maxminddb-geolite2模块

pip install maxminddb-geolite2

蟒蛇代码：

import pandas as pd
from geolite2 import geolite2

def get_country(ip):
    try:
        x = geo.get(ip)
    except ValueError:
        return pd.np.nan
    try:
        return x['country']['names']['en'] if x else pd.np.nan
    except KeyError:
        return pd.np.nan

geo = geolite2.reader()

# it took me quite some time to find a free and large enough list of IPs ;)
# IP's for testing: http://upd.emule-security.org/ipfilter.zip
x = pd.read_csv(r'D:\download\ipfilter.zip',
                usecols=[0], sep='\s*\-\s*',
                header=None, names=['ip'])

# get unique IPs
unique_ips = x['ip'].unique()
# make series out of it
unique_ips = pd.Series(unique_ips, index = unique_ips)
# map IP --> country
x['country'] = x['ip'].map(unique_ips.apply(get_country))

geolite2.close()

输出：

In [90]: x
Out[90]:
                     ip     country
0       000.000.000.000         NaN
1       001.002.004.000         NaN
2       001.002.008.000         NaN
3       001.009.096.105         NaN
4       001.009.102.251         NaN
5       001.009.106.186         NaN
6       001.016.000.000         NaN
7       001.055.241.140         NaN
8       001.093.021.147         NaN
9       001.179.136.040         NaN
10      001.179.138.224    Thailand
11      001.179.140.200    Thailand
12      001.179.146.052         NaN
13      001.179.147.002    Thailand
14      001.179.153.216    Thailand
15      001.179.164.124    Thailand
16      001.179.167.188    Thailand
17      001.186.188.000         NaN
18      001.202.096.052         NaN
19      001.204.179.141       China
20      002.051.000.165         NaN
21      002.056.000.000         NaN
22      002.095.041.202         NaN
23      002.135.237.106  Kazakhstan
24      002.135.237.250  Kazakhstan
...                 ...         ...

时间：对于 171.884 个唯一 IP：

In [85]: %timeit unique_ips.apply(get_country)
1 loop, best of 3: 14.8 s per loop

In [86]: unique_ips.shape
Out[86]: (171884,)

结论：大约需要。在我的硬件上使用 40 万个唯一 IP 为您提供 35 秒：

In [93]: 400000/171884*15
Out[93]: 34.90726303786274