加速Django数据库函数用于缺失值的地理插值

Question

我有一个大型的商业地产地址数据库(大约500万行)，其中200,000所缺少的楼层面积。这些房产是按行业分类的，我知道每个行业的租金。

我插值缺失的楼面面积的方法是，在楼面面积未知的物业的指定半径内，过滤类似分类的物业，然后根据附近物业成本/平方米的中位数计算楼面面积。

最初，我使用熊猫来处理这个问题，但是随着数据集越来越大(甚至使用group_by)，这就成了问题。它经常超过可用内存，并停止。当它工作时，大约需要3个小时才能完成。

我正在测试是否可以在数据库中完成相同的任务。我为径向填充编写的函数如下：

def _radial_fill(self):
    # Initial query selecting all latest locations, and excluding null rental valuations
    q = Location.objects.order_by("locode","-update_cycle") \
                        .distinct("locode")
    # Chained Q objects to use in filter
    f = Q(rental_valuation__isnull=False) & \
        Q(use_category__grouped_by__isnull=False) & \
        Q(pc__isnull=False)
    # All property categories at subgroup level
    for c in LocationCategory.objects.filter(use_category="SGP").all():
        # Start looking for appropriate interpolation locations
        fc = f & Q(use_category__grouped_by=c)
        for l in q.filter(fc & Q(floor_area__isnull=True)).all():
            r_degree = 0
            while True:
                # Default Distance is metres, so multiply accordingly
                r = (constants.BOUNDS**r_degree)*1000 # metres
                ql = q.annotate(distance=Distance("pc__point", l.pc.point)) \
                      .filter(fc & Q(floor_area__isnull=False) & Q(distance__lte=r)) \
                      .values("rental_valuation", "floor_area")
                if len(ql) < constants.LOWER_RANGE:
                    if r > constants.UPPER_RADIUS*1000:
                        # Further than the longest possible distance
                        break
                    r_degree += 1
                else:
                    m = median([x["rental_valuation"]/x["floor_area"]
                                for x in ql if x["floor_area"] > 0.0])
                    l.floor_area = l.rental_valuation / m
                    l.save()
                    break

我的问题是这个函数需要6天才能运行。一定有更快的方法，对吧？我肯定我做错了什么.

这些模式如下：

class LocationCategory(models.Model):
    # Category types
    GRP = "GRP"
    SGP = "SGP"
    UST = "UST"
    CATEGORIES = (
        (GRP, "Group"),
        (SGP, "Sub-group"),
        (UST, "Use type"),
    )
    slug = models.CharField(max_length=24, primary_key=True, unique=True)
    usecode = models.CharField(max_length=14, db_index=True)
    use_category = models.CharField(max_length=3, choices=CATEGORIES,
                                    db_index=True, default=UST)
    grouped_by = models.ForeignKey("self", null=True, blank=True,
                                   on_delete=models.SET_NULL,
                                   related_name="category_by_group")

class Location(models.Model):
    # Hereditament identity and location
    slug = models.CharField(max_length=24, db_index=True)
    locode = models.CharField(max_length=14, db_index=True)
    pc = models.ForeignKey(Postcode, null=True, blank=True,
                           on_delete=models.SET_NULL,
                           related_name="locations_by_pc")
    use_category = models.ForeignKey(LocationCategory, null=True, blank=True,
                                     on_delete=models.SET_NULL,
                                     related_name="locations_by_category")
    # History fields
    update_cycle = models.CharField(max_length=14, db_index=True)
    # Location-specific econometric data
    floor_area = models.FloatField(blank=True, null=True)
    rental_valuation = models.FloatField(blank=True, null=True)

class Postcode(models.Model):
    pc = models.CharField(max_length=7, primary_key=True, unique=True) # Postcode excl space
    pcs = models.CharField(max_length=8, unique=True)                  # Postcode incl space
    # http://spatialreference.org/ref/epsg/osgb-1936-british-national-grid/
    point = models.PointField(srid=4326)

使用Django 2.0和Postgresql 10

更新

通过以下代码更改，我在运行时实现了35%的改进：

# Initial query selecting all latest locations, and excluding null rental valuations
q = Location.objects.order_by("slug","-update_cycle") \
                    .distinct("slug")
# Chained Q objects to use in filter
f = Q(rental_valuation__isnull=False) & \
    Q(pc__isnull=False) & \
    Q(use_category__grouped_by_id=category_id)
# All property categories at subgroup level
# Start looking for appropriate interpolation locations
for l in q.filter(f & Q(floor_area__isnull=True)).all().iterator():
    r = q.filter(f & Q(floor_area__isnull=False) & ~Q(floor_area=0.0))
    rl = Location.objects.filter(id__in = r).annotate(distance=D("pc__point", l.pc.point)) \
                                            .order_by("distance")[:constants.LOWER_RANGE] \
                                            .annotate(floor_ratio = F("rental_valuation")/
                                                                    F("floor_area")) \
                                            .values("floor_ratio")
    if len(rl) == constants.LOWER_RANGE:
        m = median([h["floor_ratio"] for h in rl])
        l.floor_area = l.rental_valuation / m
        l.save()

id__in=r效率低下，但在添加和排序新注释时，它似乎是维护distinct查询集的唯一方法。考虑到可以在r查询中返回大约100,000行，在其中应用的任何注释，以及随后的按距离进行排序，都会花费很长的时间。

但是..。在实现Subquery功能时，我遇到了许多问题。我认为AttributeError: 'ResolvedOuterRef' object has no attribute '_output_field_or_none'与注释有关，但我在上面找不到多少。

有关的重组守则是：

rl = Location.objects.filter(id__in = r).annotate(distance=D("pc__point", OuterRef('pc__point'))) \
                                        .order_by("distance")[:constants.LOWER_RANGE] \
                                        .annotate(floor_ratio = F("rental_valuation")/
                                                                F("floor_area")) \
                                        .distinct("floor_ratio")

以及：

l.update(floor_area= F("rental_valuation") / CustomAVG(Subquery(locs),0))

我可以看到，这种方法应该是非常有效的，但正确的做法似乎远远超出了我的技能水平。

Answer 1

您可以使用(主要是) Django的内置查询方法来简化您的方法，这些方法是经过优化的。更具体地说，我们将使用：

• Subquery和OuterRef方法(用于>= 1.11版本)。
• 来自annotation和AVG的Django聚合。
• dwithin查找。
• F()表达式(在我的QA样式示例中可以找到F()的详细用例：如何在django中执行模型字段之间的算术操作 )

我们将创建一个自定义聚合类来应用我们的AVG函数(这个极好的答案启发了我们的方法：Django 1.11注释子查询聚合)

class CustomAVG(Subquery):
    template = "(SELECT AVG(area_value) FROM (%(subquery)s))"
    output_field = models.FloatField()

我们将用它来计算以下平均值：

for location in Location.objects.filter(rental_valuation__isnull=True):
    location.update(
        rental_valuation=CustomAVG(
            Subquery(
                Location.objects.filter(
                    pc__point__dwithin=(OuterRef('pc__point'), D(m=1000)),
                    rental_valuation__isnull=False
                ).annotate(area_value=F('rental_valuation')/F('floor_area'))
                .distinct('area_value')
            )
        )
    )

分解以上内容：

• 我们收集所有没有Location的rental_valuation对象，然后“传递”列表。
• Subquery:我们从当前位置点选择位于radius=1000m圆圈内的Location对象(随您的喜好而定)，并在其上将成本/m2计算(使用F()获取每个对象的rental_valuation和floor_area列的值)作为一个名为area_value的列。为了获得更准确的结果，我们只选择该列的不同值。
• 我们将CustomAVG应用于Subquery，并更新当前位置rental_valuation。