python - 在单元格中使用 ndarray 保存 Pandas 数据框

Question

我需要保存一个带有两列词嵌入 (Word2Vec) 的 Pandas 数据框，这些词嵌入被存储为 dim (1300, 300) 的 ndarrays、一个字符串和另一个具有该字符串的一个热表示的数组。

TYPE    content   title one_hot_label
------------------------------------------------------------
happy   [[-0.25195312, 0.13085938, 0.05053711, -0.0417... [[0.12792969, -0.055908203, 0.011230469, 0.283... [0, 1, 0]
sad     [[-0.25195312, 0.13085938, 0.05053711, -0.0417... [[0.12792969, -0.055908203, 0.011230469, 0.283... [0, 1, 0]
happy   [[-0.25195312, 0.13085938, 0.05053711, -0.0417... [[0.12792969,-0.055908203, 0.011230469, 0.283...  [0, 1, 0]
sad     [[-0.25195312, 0.13085938, 0.05053711, -0.0417... [[0.12792969, -0.055908203, 0.011230469, 0.283... [0, 1, 0]
...
...
...  

我需要将它保存在我的驱动器中。我尝试将它序列化( df.to_picke )并且只要条目数量很少就可以很好地工作。 CSV ( df.to_csv ) 将省略号添加到 Numpy 数组列和 to_hdf给我溢出错误。

有没有办法用这种结构保存大型数据集？

编辑

调用 df.memory_usage(deep=True)给我:
Index 23840
type 244425
content 5447697600
title 62976000
one_hot_label 309920
dtype: int64
编辑 2

你能给我另一种结构来创建这个嵌入数据集吗？

谢谢

Answer 1

您可以使用此功能减少数据大小。

def reduce_mem_usage(self, df, verbose=True):
    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 str(col_type)[: 3] == 'int':
                if c_min > np.iinfo(np.int8).min and c_max < np.iinfo(np.int8).max:
                    df.loc[:, col] = df[col].astype(np.int8)
                elif c_min > np.iinfo(np.int16).min and c_max < np.iinfo(np.int16).max:
                    df.loc[:, col] = df[col].astype(np.int16)
                elif c_min > np.iinfo(np.int32).min and c_max < np.iinfo(np.int32).max:
                    df.loc[:, col] = df[col].astype(np.int32)
                elif c_min > np.iinfo(np.int64).min and c_max < np.iinfo(np.int64).max:
                    df.loc[:, col] = df[col].astype(np.int64)
            else:
                if c_min > np.finfo(np.float16).min and c_max < np.finfo(np.float16).max:
                    df.loc[:, col] = df[col].astype(np.float16)
                elif c_min > np.finfo(np.float32).min and c_max < np.finfo(np.float32).max:
                    df.loc[:, col] = df[col].astype(np.float32)
                else:
                    df.loc[:, col] = df[col].astype(np.float64)
    end_mem = df.memory_usage().sum() / 1024**2
    if verbose:
        print('Mem. usage decreased to {:5.2f} Mb ({:.1f}% reduction)'.format(end_mem, 100 * (start_mem - end_mem) / start_mem))
    return df