- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我有一个包含 270 万行的数据框,如下所示-
df
Out[10]:
ClaimId ServiceSubCodeKey ClaimRowNumber SscRowNumber
0 1902659 183 1 1
1 1902659 2088 1 2
2 1902663 3274 2 1
3 1902674 12 3 1
4 1902674 23 3 2
... ... ... ...
2793010 2563847 3109 603037 4
2793011 2563883 3109 603038 1
2793012 2564007 3626 603039 1
2793013 2564007 3628 603039 2
2793014 2564363 3109 603040 1
[2793015 rows x 4 columns]
我正在尝试在下面的 python 中对此进行热编码,但最终出现内存错误:
import pandas as pd
columns = (
pd.get_dummies(df["ServiceSubCodeKey"])
.reindex(range(df.ServiceSubCodeKey.min(),
df.ServiceSubCodeKey.max()+1), axis=1, fill_value=0)
# now it has all digits
.astype(str)
)
# this will create codes
codes_values = [int(''.join(r)) for r in columns.itertuples(index=False)]
codes = pd.Series({'test': codes_values}).explode()
codes.index = df.index
# groupby and aggregate the values into lists
dfg = codes.groupby(df.ClaimId).agg(list).reset_index()
# sum the lists; doing this with a pandas function also does not work, so no .sum or .apply
summed_lists = list()
for r, v in dfg.iterrows():
summed_lists.append(str(sum(v[0])))
# assign the list of strings to a column
dfg['sums'] = summed_lists
# perform the remainder of the functions on the sums column
dfg['final'] = dfg.sums.str.pad(width=columns.shape[1], fillchar='0').str.rstrip('0')
# merge df and dfg.final
dfm = pd.merge(df, dfg[['ClaimId', 'final']], on='ClaimId')
dfm
File "pandas/_libs/lib.pyx", line 574, in pandas._libs.lib.astype_str
MemoryError
如何以自动批处理方式执行此操作,以免出现内存错误?
最佳答案
onehot = []
for groupi, group in df.groupby(df.index//1e5):
# encode each group separately
onehot.expand(group_onehot)
df = df.assign(onehot=onehot)
将为您提供 28 个小组进行单独工作。
codes_values = [int(''.join(r)) for r in columns.itertuples(index=False)]
正在创建一个可能长达 4k 位的字符串并尝试创建一个
integer
在 10e4000 范围内,这将导致溢出(见
https://numpy.org/devdocs/user/basics.types.html)
df = pd.DataFrame({
'ClaimId': [1902659, 1902659, 1902663, 1902674, 1902674, 2563847, 2563883,
2564007, 2564007, 2564363],
'ServiceSubCodeKey': [183, 2088, 3274, 12, 23, 3109, 3109, 3626, 3628, 3109]
})
编码:
scale = df.ServiceSubCodeKey.max() + 1
onehot = []
for claimid, ssc in df.groupby('ClaimId').ServiceSubCodeKey:
ssc_list = ssc.to_list()
onehot.append([claimid,
''.join(['1' if i in ssc_list else '0' for i in range(1, scale)])])
onehot = pd.DataFrame(onehot, columns=['ClaimId', 'onehot'])
print(onehot)
输出
ClaimId onehot
0 1902659 0000000000000000000000000000000000000000000000...
1 1902663 0000000000000000000000000000000000000000000000...
2 1902674 0000000000010000000000100000000000000000000000...
3 2563847 0000000000000000000000000000000000000000000000...
4 2563883 0000000000000000000000000000000000000000000000...
5 2564007 0000000000000000000000000000000000000000000000...
6 2564363 0000000000000000000000000000000000000000000000...
这修复了您方法中的溢出问题并避免调用
pd.get_dummies()
创建一个 600K x 4K 的虚拟数据帧,其缺点是迭代分组系列并在每个组上构建列表理解(既不利用 Pandas 的内置 C 实现)。
ClaimId
继续保留 one-hot 编码的摘要, 或 df
根据需要,复制相同的编码与 ClaimId
一样多次在 df
中重复df = df.merge(onehot, on='ClaimId')
输出
ClaimId ServiceSubCodeKey onehot
0 1902659 183 0000000000000000000000000000000000000000000000...
1 1902659 2088 0000000000000000000000000000000000000000000000...
2 1902663 3274 0000000000000000000000000000000000000000000000...
3 1902674 12 0000000000010000000000100000000000000000000000...
4 1902674 23 0000000000010000000000100000000000000000000000...
5 2563847 3109 0000000000000000000000000000000000000000000000...
6 2563883 3109 0000000000000000000000000000000000000000000000...
7 2564007 3626 0000000000000000000000000000000000000000000000...
8 2564007 3628 0000000000000000000000000000000000000000000000...
9 2564363 3109 0000000000000000000000000000000000000000000000...
关于python - 如何自动将数据帧切片成批处理以避免 python 中的 MemoryError,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/63162731/
我想做的是让 JTextPane 在 JPanel 中占用尽可能多的空间。对于我使用的 UpdateInfoPanel: public class UpdateInfoPanel extends JP
我在 JPanel 中有一个 JTextArea,我想将其与 JScrollPane 一起使用。我正在使用 GridBagLayout。当我运行它时,框架似乎为 JScrollPane 腾出了空间,但
我想在 xcode 中实现以下功能。 我有一个 View Controller 。在这个 UIViewController 中,我有一个 UITabBar。它们下面是一个 UIView。将 UITab
有谁知道Firebird 2.5有没有类似于SQL中“STUFF”函数的功能? 我有一个包含父用户记录的表,另一个表包含与父相关的子用户记录。我希望能够提取用户拥有的“ROLES”的逗号分隔字符串,而
我想使用 JSON 作为 mirth channel 的输入和输出,例如详细信息保存在数据库中或创建 HL7 消息。 简而言之,输入为 JSON 解析它并输出为任何格式。 最佳答案 var objec
通常我会使用 R 并执行 merge.by,但这个文件似乎太大了,部门中的任何一台计算机都无法处理它! (任何从事遗传学工作的人的附加信息)本质上,插补似乎删除了 snp ID 的 rs 数字,我只剩
我有一个以前可能被问过的问题,但我很难找到正确的描述。我希望有人能帮助我。 在下面的代码中,我设置了varprice,我想添加javascript变量accu_id以通过rails在我的数据库中查找记
我有一个简单的 SVG 文件,在 Firefox 中可以正常查看 - 它的一些包装文本使用 foreignObject 包含一些 HTML - 文本包装在 div 中:
所以我正在为学校编写一个 Ruby 程序,如果某个值是 1 或 3,则将 bool 值更改为 true,如果是 0 或 2,则更改为 false。由于我有 Java 背景,所以我认为这段代码应该有效:
我做了什么: 我在这些账户之间创建了 VPC 对等连接 互联网网关也连接到每个 VPC 还配置了路由表(以允许来自双方的流量) 情况1: 当这两个 VPC 在同一个账户中时,我成功测试了从另一个 La
我有一个名为 contacts 的表: user_id contact_id 10294 10295 10294 10293 10293 10294 102
我正在使用 Magento 中的新模板。为避免重复代码,我想为每个产品预览使用相同的子模板。 特别是我做了这样一个展示: $products = Mage::getModel('catalog/pro
“for”是否总是检查协议(protocol)中定义的每个函数中第一个参数的类型? 编辑(改写): 当协议(protocol)方法只有一个参数时,根据该单个参数的类型(直接或任意)找到实现。当协议(p
我想从我的 PHP 代码中调用 JavaScript 函数。我通过使用以下方法实现了这一点: echo ' drawChart($id); '; 这工作正常,但我想从我的 PHP 代码中获取数据,我使
这个问题已经有答案了: Event binding on dynamically created elements? (23 个回答) 已关闭 5 年前。 我有一个动态表单,我想在其中附加一些其他 h
我正在尝试找到一种解决方案,以在 componentDidMount 中的映射项上使用 setState。 我正在使用 GraphQL连同 Gatsby返回许多 data 项目,但要求在特定的 pat
我在 ScrollView 中有一个 View 。只要用户按住该 View ,我想每 80 毫秒调用一次方法。这是我已经实现的: final Runnable vibrate = new Runnab
我用 jni 开发了一个 android 应用程序。我在 GetStringUTFChars 的 dvmDecodeIndirectRef 中得到了一个 dvmabort。我只中止了一次。 为什么会这
当我到达我的 Activity 时,我调用 FragmentPagerAdapter 来处理我的不同选项卡。在我的一个选项卡中,我想显示一个 RecyclerView,但他从未出现过,有了断点,我看到
当我按下 Activity 中的按钮时,会弹出一个 DialogFragment。在对话框 fragment 中,有一个看起来像普通 ListView 的 RecyclerView。 我想要的行为是当
我是一名优秀的程序员,十分优秀!