python - 如何连接多个 pandas.DataFrames 而不会遇到 MemoryError

Question

我尝试连接三个 DataFrame。

concat_df = pd.concat([df1, df2, df3])

这会导致 MemoryError。我该如何解决这个问题？

请注意，现有的大多数类似问题都是关于读取大文件时发生的 MemoryErrors。我没有那个问题。我已将我的文件读入 DataFrames。我只是无法连接这些数据。

Answer 1

问题是，就像在其他答案中看到的那样，是一个内存问题。一个解决方案是将数据存储在磁盘上，然后构建一个唯一的数据框。

拥有如此庞大的数据，性能是个问题。

csv 解决方案非常慢，因为会在文本模式下进行转换。由于使用二进制模式，HDF5 解决方案更短、更优雅、更快。我提出了二进制模式的第三种方式，pickle ，这似乎更快，但更具技术性并且需要更多空间。第四个，手动。

代码如下:

import numpy as np
import pandas as pd
import os
import pickle

# a DataFrame factory:
dfs=[]
for i in range(10):
    dfs.append(pd.DataFrame(np.empty((10**5,4)),columns=range(4)))
    
# a csv solution
def bycsv(dfs):
    md,hd='w',True
    for df in dfs:
        df.to_csv('df_all.csv',mode=md,header=hd,index=None)
        md,hd='a',False
    #del dfs
    df_all=pd.read_csv('df_all.csv',index_col=None)
    os.remove('df_all.csv') 
    return df_all    

    

更好的解决方案:

def byHDF(dfs):
    store=pd.HDFStore('df_all.h5')
    for df in dfs:
        store.append('df',df,data_columns=list('0123'))
    #del dfs
    df=store.select('df')
    store.close()
    os.remove('df_all.h5')
    return df

def bypickle(dfs):
    c=[]
    with open('df_all.pkl','ab') as f:
        for df in dfs:
            pickle.dump(df,f)
            c.append(len(df))    
    #del dfs
    with open('df_all.pkl','rb') as f:
        df_all=pickle.load(f)
        offset=len(df_all)
        df_all=df_all.append(pd.DataFrame(np.empty(sum(c[1:])*4).reshape(-1,4)))
        
        for size in c[1:]:
            df=pickle.load(f)
            df_all.iloc[offset:offset+size]=df.values 
            offset+=size
    os.remove('df_all.pkl')
    return df_all
    

对于同构数据帧，我们可以做得更好:

def byhand(dfs):
    mtot=0
    with open('df_all.bin','wb') as f:
        for df in dfs:
            m,n =df.shape
            mtot += m
            f.write(df.values.tobytes())
            typ=df.values.dtype                
    #del dfs
    with open('df_all.bin','rb') as f:
        buffer=f.read()
        data=np.frombuffer(buffer,dtype=typ).reshape(mtot,n)
        df_all=pd.DataFrame(data=data,columns=list(range(n))) 
    os.remove('df_all.bin')
    return df_all

还对(少量，32 Mb)数据进行了一些测试，以比较性能。对于 4 Gb，您必须乘以大约 128。

In [92]: %time w=bycsv(dfs)
Wall time: 8.06 s

In [93]: %time x=byHDF(dfs)
Wall time: 547 ms

In [94]: %time v=bypickle(dfs)
Wall time: 219 ms

In [95]: %time y=byhand(dfs)
Wall time: 109 ms

支票:

In [195]: (x.values==w.values).all()
Out[195]: True

In [196]: (x.values==v.values).all()
Out[196]: True

In [197]: (x.values==y.values).all()
Out[196]: True


            

当然，所有这些都必须改进和调整以适应您的问题。

例如 df3 可以分成大小为“total_memory_size - df_total_size”的 block 以便能够运行 bypickle。

如果您愿意，如果您提供有关数据结构和大小的更多信息，我可以对其进行编辑。漂亮的问题!