目錄
- 1. pandas查看數據占用大小
- 2. 對數據進行壓縮
- 3. 參考資料
💃今天看案例的時候看見了一個關于pandas數據的內存壓縮功能，特地來記錄一下。
🎒先說明一下情況，pandas處理幾百兆的dataframe是沒有問題的，但是我們在處理幾個G甚至更大的數據時，就會特別占用內存，對內存小的用戶特別不好，所以對數據進行壓縮是很有必要的。
1. pandas查看數據占用大小
給大家看一下這么查看自己的內存大?。?mark>user_log是dataframe的名字）
#方法1 就是使用查看dataframe信息的命令
user_log.info()
#方法2 使用memory_usage()或者getsizeof(user_log)
import time
import sys
print('all_data占據內存約: {:.2f} GB'.format(user_log.memory_usage().sum()/ (1024**3)))
print('all_data占據內存約: {:.2f} GB'.format(sys.getsizeof(user_log)/(1024**3)))
我這里有個dataframe文件叫做user_log，原始大小為1.91G，然后pandas讀取出來，內存使用了2.9G。
看一下原始數據大小：1.91G
pandas讀取后的內存消耗：2.9G
2. 對數據進行壓縮
- 數值類型的列進行降級處理（‘int16', ‘int32', ‘int64', ‘float16', ‘float32', ‘float64'）
- 字符串類型的列轉化為類別類型（category）
- 字符串類型的列的類別數超過總行數的一半時，建議使用object類型
我們這里主要采用對數值型類型的數據進行降級，說一下降級是什么意思意思呢，可以比喻為一個一個抽屜，你有一個大抽屜，但是你只裝了鑰匙，這就會有很多空間浪費掉，如果我們將鑰匙放到一個小抽屜里，就可以節(jié)省很多空間，就像字符的類型int32 比int8占用空間大很多，但是我們的數據使用int8類型就夠了，這就導致數據占用了很多空間，我們要做的就是進行數據類型轉換，節(jié)省內存空間。
壓縮數值的這段代碼是從天池大賽的某個項目中看見的，查閱資料后發(fā)現，大家壓縮內存都是基本固定的函數形式
def reduce_mem_usage(df):
starttime = time.time()
numerics = ['int16', 'int32', 'int64', 'float16', 'float32', 'float64']
start_mem = df.memory_usage().sum() / 1024**2
for col in df.columns:
col_type = df[col].dtypes
if col_type in numerics:
c_min = df[col].min()
c_max = df[col].max()
if pd.isnull(c_min) or pd.isnull(c_max):
continue
if str(col_type)[:3] == 'int':
if c_min > np.iinfo(np.int8).min and c_max np.iinfo(np.int8).max:
df[col] = df[col].astype(np.int8)
elif c_min > np.iinfo(np.int16).min and c_max np.iinfo(np.int16).max:
df[col] = df[col].astype(np.int16)
elif c_min > np.iinfo(np.int32).min and c_max np.iinfo(np.int32).max:
df[col] = df[col].astype(np.int32)
elif c_min > np.iinfo(np.int64).min and c_max np.iinfo(np.int64).max:
df[col] = df[col].astype(np.int64)
else:
if c_min > np.finfo(np.float16).min and c_max np.finfo(np.float16).max:
df[col] = df[col].astype(np.float16)
elif c_min > np.finfo(np.float32).min and c_max np.finfo(np.float32).max:
df[col] = df[col].astype(np.float32)
else:
df[col] = df[col].astype(np.float64)
end_mem = df.memory_usage().sum() / 1024**2
print('-- Mem. usage decreased to {:5.2f} Mb ({:.1f}% reduction),time spend:{:2.2f} min'.format(end_mem,
100*(start_mem-end_mem)/start_mem,
(time.time()-starttime)/60))
return df
用壓縮的方式將數據導入user_log2中
#首先讀取到csv中如何傳入函數生稱新的csv
user_log2=reduce_mem_usage(pd.read_csv(r'/Users/liucong/MainFiles/ML/tianchi/tianmiao/user_log_format1.csv'))
讀取成功：內訓大小為890.48m 減少了69.6%，效果顯著
查看壓縮后的數據集信息：類型發(fā)生了變化，數量變小了
3. 參考資料
《天池大賽》
《kaggle大賽》
鏈接: pandas處理datafarme節(jié)約內存.
到此這篇關于python數據分析之DataFrame內存優(yōu)化的文章就介紹到這了,更多相關python DataFrame內存優(yōu)化內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- python切片中內存的注意事項總結
- 用python監(jiān)控服務器的cpu,磁盤空間,內存,超過郵件報警
- 總結python 三種常見的內存泄漏場景
- Python numpy大矩陣運算內存不足如何解決
- Python內存泄漏和內存溢出的解決方案
- Python中的內存管理之python list內存使用詳解
