python数据分析之DataFrame内存优化

 更新时间:2021年07月12日 09:29:31   作者:柳小葱  
pandas处理几百兆的dataframe是没有问题的,但是我们在处理几个G甚至更大的数据时,就会特别占用内存,对内存小的用户特别不好,所以对数据进行压缩是很有必要的,本文就介绍了python DataFrame内存优化,感兴趣的可以了解一下

💃今天看案例的时候看见了一个关于pandas数据的内存压缩功能,特地来记录一下。

🎒先说明一下情况,pandas处理几百兆的dataframe是没有问题的,但是我们在处理几个G甚至更大的数据时,就会特别占用内存,对内存小的用户特别不好,所以对数据进行压缩是很有必要的。

1. pandas查看数据占用大小

给大家看一下这么查看自己的内存大小(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占据内存约: {:.2f} GB'.format(user_log.memory_usage().sum()/ (1024**3)))
print('all_data占据内存约: {:.2f} GB'.format(sys.getsizeof(user_log)/(1024**3)))

我这里有个dataframe文件叫做user_log,原始大小为1.91G,然后pandas读取出来,内存使用了2.9G。

看一下原始数据大小:1.91G

在这里插入图片描述

pandas读取后的内存消耗:2.9G

在这里插入图片描述

2. 对数据进行压缩

  • 数值类型的列进行降级处理(‘int16', ‘int32', ‘int64', ‘float16', ‘float32', ‘float64')
  • 字符串类型的列转化为类别类型(category)
  • 字符串类型的列的类别数超过总行数的一半时,建议使用object类型

我们这里主要采用对数值型类型的数据进行降级,说一下降级是什么意思意思呢,可以比喻为一个一个抽屉,你有一个大抽屉,但是你只装了钥匙,这就会有很多空间浪费掉,如果我们将钥匙放到一个小抽屉里,就可以节省很多空间,就像字符的类型int32 比int8占用空间大很多,但是我们的数据使用int8类型就够了,这就导致数据占用了很多空间,我们要做的就是进行数据类型转换,节省内存空间。

压缩数值的这段代码是从天池大赛的某个项目中看见的,查阅资料后发现,大家压缩内存都是基本固定的函数形式

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

用压缩的方式将数据导入user_log2中

#首先读取到csv中如何传入函数生称新的csv
user_log2=reduce_mem_usage(pd.read_csv(r'/Users/liucong/MainFiles/ML/tianchi/tianmiao/user_log_format1.csv'))

读取成功:内训大小为890.48m 减少了69.6%,效果显著

在这里插入图片描述

查看压缩后的数据集信息:类型发生了变化,数量变小了

在这里插入图片描述

3. 参考资料

《天池大赛》
《kaggle大赛》
链接: pandas处理datafarme节约内存.

到此这篇关于python数据分析之DataFrame内存优化的文章就介绍到这了,更多相关python DataFrame内存优化内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • 详解Flask数据库的连接与使用

    详解Flask数据库的连接与使用

    这篇文章主要为大家想想介绍了Python中Flask数据库的连接与使用,文中的示例代码讲解详细,具有一定的借鉴价值,感兴趣的小伙伴可以学习一下
    2023-02-02
  • python中判断文件结束符的具体方法

    python中判断文件结束符的具体方法

    在本篇文章里小编给大家分享的是一篇关于python中判断文件结束符的具体方法,有兴趣的朋友们可以参考学习下。
    2020-08-08
  • PyQt5界面无响应的解决方案

    PyQt5界面无响应的解决方案

    如果在主线程执行耗时操作,比如 循环、sleep、wait 异步线程执行 会导致 UI 界面进入无响应状态,我们可以采用以下两种方式异步处理:使用QThread 或 QTimer,本文给大家介绍了PyQt5界面无响应的解决方案,需要的朋友可以参考下
    2024-05-05
  • 详解Python实现图像分割增强的两种方法

    详解Python实现图像分割增强的两种方法

    图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。本文将为大家分享两个用Python实现像分割增强的方法,需要的可以参考一下
    2022-03-03
  • Python中的random()方法的使用介绍

    Python中的random()方法的使用介绍

    这篇文章主要介绍了Python中的random()方法的使用,是Python入门的基础知识,需要的朋友可以参考下
    2015-05-05
  • python3+PyQt5重新实现自定义数据拖放处理

    python3+PyQt5重新实现自定义数据拖放处理

    这篇文章主要为大家详细介绍了python3+PyQt5重新实现自定义数据拖放处理,文中示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2018-04-04
  • Flask sqlalchemy一对多与多对一与一对一及多对多关系介绍

    Flask sqlalchemy一对多与多对一与一对一及多对多关系介绍

    这篇文章主要介绍了Flask sqlalchemy一对多与多对一与一对一及多对多关系介绍,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2022-09-09
  • Django使用HTTP协议向服务器传参方式小结

    Django使用HTTP协议向服务器传参方式小结

    本文主要介绍了Django使用HTTP协议向服务器传参方式小结,用户发送请求时携带的参数后端需要使用,而不同的发送参数的方式对应了不同的提取参数的方式,本文就详细的介绍一下
    2021-08-08
  • 使用 python 实现单人AI 扫雷游戏

    使用 python 实现单人AI 扫雷游戏

    这篇文章主要介绍了使用 python 实现单人AI 扫雷游戏,今天我们用 Python 完成这个小程序,并且用AI来学习并实现它,需要的朋友可以参考下
    2021-08-08
  • Python中Matplotlib图像添加标签的方法实现

    Python中Matplotlib图像添加标签的方法实现

    本文主要介绍了Python中Matplotlib图像添加标签的方法实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2023-04-04

最新评论