Pandas获取数据的尺寸信息
Pandas
中获取数据的尺寸信息,比如我们有如下的Excel
数据:
我们可以使用如下代码来获取数据的整体尺寸信息:
import pandas as pd file = pd.read_excel(r"C:Users15025Desktopuncledebug.xlsx") print(file.size) print(file.shape) print(len(file)) """ result: 55 (11, 5) 11 """
可以看到,结果与numpy
包中的结果类似,当我们的数据为二维时,使用size
获取到的是数据的整体大小,为行数量11
乘以列数量5
。
当我们使用shape
时,获取到的是二维数据行数量与列数量组成的一个元组(11, 5)
。
当我们使用len()
函数作用于二维数据时,我们获得的是行数量。
当数据为一维时,我们使用len()
函数获取的结果将会与使用size
获取到的结果一致。
pandas处理大数据信息
使用到的数据大小为130M
5 rows × 161 columns
g1.shape #(171907, 161) #17W的数据,有161列
pandas 可以处理几千万,上亿的数据
打印出每种类型占的内存量
for dtype in ['float64','int64','object']: selected_dtype = g1.select_dtypes(include = [dtype]) mean_usage_b = selected_dtype.memory_usage(deep=True).mean() mean_usage_mb = mean_usage_b/1024**2 print('平均内存占用 ',dtype , mean_usage_mb) ''' deep : bool,默认为False 如果为True,则通过询问对象 dtype 来深入了解数据 的系统级内存消耗, 并将其包含在返回值中。 '''
让内存占用变小,int 类型从64 变为 32,在不影响使用的前提下
#查看每种类型最大 能表示多大的数 int_types = ['uint8','int8','int16','int32','int64'] for it in int_types: print(np.iinfo(it))
g1_int = g1.select_dtypes(include = ['int64']) #生成一个只有int类型的DataFrame coverted_int = g1_int.apply(pd.to_numeric, downcast='unsigned') #apply 会将数据一条一条的读取,并传入目标进行执行 #int64 转换为了 unsigned
g1_float = g1.select_dtypes(include = ['float64']) #生成一个只有int类型的DataFrame coverted_floar = g1_int.apply(pd.to_numeric, downcast='float') #apply 会将数据一条一条的读取,并传入目标进行执行 #float64转换为了32
import pandas as pd g1 = pd.read_csv('game_logs.csv') g1_obj = g1.select_dtypes(include = ['object']) g1.shape #(171907, 78) g1_obj.describe() #查看信息生成的介绍 #count 数量 #unique 不重复的值 #top #freq
dow = g1_obj.day_of_week dow_cat = dow.astype('category') dow_cat.head()
优化str占用内存
converted_obj = pd.DataFrame() for col in g1_obj.columns: num_unique_values = len(g1_obj[col].unique()) num_total_values= len(g1_obj[col]) if num_unique_values / num_total_values
#时间格式,写成标准格式的是比较占用内存的 #可以转换时间格式 g1['date'] = pd.to_datetime(date,format='%Y%m%d') #这种比较占用内存
结果:
def mem_usage(pandas_obj): if isinstance(pandas_obj,pd.DataFrame): usage_b = pandas_obj.memory_usage(deep=True).sum() else: usage_b = pandas_obj.memory_usagee(deep=True) usage_mb = usage_b/1024**2 return '{:03.2f} MB'.format(usage_mb) g1_int = g1.select_dtypes(include = ['int64']) #生成一个只有int类型的DataFrame coverted_int = g1_int.apply(pd.to_numeric, downcast='unsigned') #apply 会将数据一条一条的读取,并传入目标进行执行 #int64 转换为了 unsigned print(mem_usage(g1_int)) print(mem_usage(coverted_int))
7.87 MB
1.48 MB
总结
以上为个人经验,希望能给大家一个参考,也希望大家多多支持IT俱乐部。