python數據分析之DataFrame內存優化
💃今天看案例的時候看見瞭一個關於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
給大傢看一下這麼查看自己的內存大小(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)))
我這裡有個dataframe文件叫做user_log,原始大小為1.91G,然後pandas讀取出來,內存使用瞭2.9G。
看一下原始數據大小:1.91G
pandas讀取後的內存消耗: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
我們這裡主要采用對數值型類型的數據進行降級,說一下降級是什麼意思意思呢,可以比喻為一個一個抽屜,你有一個大抽屜,但是你隻裝瞭鑰匙,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裡,就可以節省很多空間,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類型就夠瞭,這就導致數據占用瞭很多空間,我們要做的就是進行數據類型轉換,節省內存空間。
壓縮數值的這段代碼是從天池大賽的某個項目中看見的,查閱資料後發現,大傢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 減少瞭69.6%,效果顯著
查看壓縮後的數據集信息:類型發生瞭變化,數量變小瞭
3. 參考資料
《天池大賽》
《kaggle大賽》
鏈接: pandas處理datafarme節約內存.
到此這篇關於python數據分析之DataFrame內存優化的文章就介紹到這瞭,更多相關python DataFrame內存優化內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- pandas初學者容易犯的六個錯誤總結
- python數學建模之三大模型與十大常用算法詳情
- Pandas 類型轉換astype()的實現
- pandas返回缺失值位置的方法實例教程
- 簡單且有用的Python數據分析和機器學習代碼