上一篇文章 写的是处理GB级数据时datatable比pandas会更高效,但是datatable使用起来毕竟不如pandas来的顺手。所以今天准备介绍pandas的三个使用技巧来让我们的运行效率提高,以便处理较大体量的数据。
csv格式是常见的数据存储方式,对于我们普通人而言易于读写。此外,在pandas中有pd.read_csv()函数可以将csv形式的数据进行读取。但当csv文件非常大的时候,直接读取会很吃内存,甚至会出现内存不够用的情况。
这时候我们可以 分批次(分块)读取,而不是一次性读取 这么大体量的数据。操作步骤:
分批次读取
处理每一批次
保存每一批次的结果
对所有的数据重复步骤1-3
将所有的批次结果都结合起来
pd.read_csv(chunksize)
中的chunksize指的的是每一批次的行数
import pandas as pd
chunk_iterator = pd.read_csv("largest_data.csv", chunksize=10000)
chunk_result_list = []
#每一批次都是dataframe类型
for chunk in chunk_iterator:
#根据你的分析问题,设计自己的chunk_manipulate函数
filter_result = chunk_manipulate(chunk)
chunk_result_list.append(filter_result)
#合并所有批次处理结果,形成新的dataframe
df = pd.concat(chunk_result_list)
有时候我们使用的数据中含有是Na,这时候剔除含有Na的数据会减少很多数据量。这里用到 df.dropna(how,thresh,subset)
how: "all"或者"any"。all当记录中的所有特征均为na,才剔除该条记录;any当记录中只要有na,该条记录就剔除
thresh: 整数型,每条记录中允许拥有的最大na数,当记录中na数超过thresh数后,剔除该条记录
subset:列名列表,选取某些特征进行na检测和处理
import pandas as pd
use_cols = ["stock_price", "stock_volume", "stock_symbol", "dividend", "eps"]
ignore_cols = ["stock_name", "data_of_ipo"]
#usecols使用的特征名
df = pd.read_csv("large_data.csv", usecols=use_cols)
#剔除na数据
df.dropna()
对于大多数数据科学家而言,并不需要设置特征的数据类型,但是当处理的数据极其庞大的时候,我们就不得不考虑设置特征的数据类型以降低内存开销。
例如在csv的特征列中,某一列特征是32bit浮点数类型,但32bit浮点太精确了,实际上我们仅仅使用16bit就够用了。pd.read_csv(dtype)可以设置列的数据类型
import pandas as pd
import numpy as np
#column_A 32bit
#column_B 16bit
df = pd.read_csv("large_data.csv", dtype={'column_A': np.int32,
'column_B': np.float16})
联系客服