Pandas 中文参考指南
Scaling to large datasets
pandas 针对内存分析提供数据结构，这使得使用 pandas 分析大于内存数据集的数据集变得有些棘手。即使是占内存相当大一部分的数据集都会变得难以处理，因为一些 pandas 操作需要制作中间副本。
本文档提供了一些建议，用于将分析扩展到更大的数据集。这是 Enhancing performance 的补充，该文章重点介绍加速适合内存分析的数据集的分析速度。
Load less data
假设磁盘上的原始数据集包含许多列。
In [1]: import pandas as pd
In [2]: import numpy as np
In [3]: def make_timeseries(start="2000-01-01", end="2000-12-31", freq="1D", seed=None):
...: index = pd.date_range(start=start, end=end, freq=freq, name="timestamp")
...: n = len(index)
...: state = np.random.RandomState(seed)
...: columns = {
...: "name": state.choice(["Alice", "Bob", "Charlie"], size=n),
...: "id": state.poisson(1000, size=n),
...: "x": state.rand(n) * 2 - 1,
...: "y": state.rand(n) * 2 - 1,
...: }
...: df = pd.DataFrame(columns, index=index, columns=sorted(columns))
...: if df.index[-1] == end:
...: df = df.iloc[:-1]
...: return df
...:
In [4]: timeseries = [
...: make_timeseries(freq="1min", seed=i).rename(columns=lambda x: f"{x}_{i}")
...: for i in range(10)
...: ]
...:
In [5]: ts_wide = pd.concat(timeseries, axis=1)
In [6]: ts_wide.head()
Out[6]:
id_0 name_0 x_0 ... name_9 x_9 y_9
timestamp ...
2000-01-01 00:00:00 977 Alice -0.821225 ... Charlie -0.957208 -0.757508
2000-01-01 00:01:00 1018 Bob -0.219182 ... Alice -0.414445 -0.100298
2000-01-01 00:02:00 927 Alice 0.660908 ... Charlie -0.325838 0.581859
2000-01-01 00:03:00 997 Bob -0.852458 ... Bob 0.992033 -0.686692
2000-01-01 00:04:00 965 Bob 0.717283 ... Charlie -0.924556 -0.184161
[5 rows x 40 columns]
In [7]: ts_wide.to_parquet("timeseries_wide.parquet")要加载所需的列，我们有两种选择。选项 1 加载所有数据，然后根据我们的需要进行过滤。
In [8]: columns = ["id_0", "name_0", "x_0", "y_0"]
In [9]: pd.read_parquet("timeseries_wide.parquet")[columns]
Out[9]:
id_0 name_0 x_0 y_0
timestamp
2000-01-01 00:00:00 977 Alice -0.821225 0.906222
2000-01-01 00:01:00 1018 Bob -0.219182 0.350855
2000-01-01 00:02:00 927 Alice 0.660908 -0.798511
2000-01-01 00:03:00 997 Bob -0.852458 0.735260
2000-01-01 00:04:00 965 Bob 0.717283 0.393391
... ... ... ... ...
2000-12-30 23:56:00 1037 Bob -0.814321 0.612836
2000-12-30 23:57:00 980 Bob 0.232195 -0.618828
2000-12-30 23:58:00 965 Alice -0.231131 0.026310
2000-12-30 23:59:00 984 Alice 0.942819 0.853128
2000-12-31 00:00:00 1003 Alice 0.201125 -0.136655
[525601 rows x 4 columns]选项 2 仅加载我们请求的那些列。
In [10]: pd.read_parquet("timeseries_wide.parquet", columns=columns)
Out[10]:
id_0 name_0 x_0 y_0
timestamp
2000-01-01 00:00:00 977 Alice -0.821225 0.906222
2000-01-01 00:01:00 1018 Bob -0.219182 0.350855
2000-01-01 00:02:00 927 Alice 0.660908 -0.798511
2000-01-01 00:03:00 997 Bob -0.852458 0.735260
2000-01-01 00:04:00 965 Bob 0.717283 0.393391
... ... ... ... ...
2000-12-30 23:56:00 1037 Bob -0.814321 0.612836
2000-12-30 23:57:00 980 Bob 0.232195 -0.618828
2000-12-30 23:58:00 965 Alice -0.231131 0.026310
2000-12-30 23:59:00 984 Alice 0.942819 0.853128
2000-12-31 00:00:00 1003 Alice 0.201125 -0.136655
[525601 rows x 4 columns]如果我们测量这两个调用的内存使用情况，就会看到指定 columns 在此情况下使用了大约十分之一的内存。
使用 pandas.read_csv()，您可以指定 usecols 来限制读入内存的列。并非所有可通过 pandas 读取的文件格式都提供读取列子集的选项。
Use efficient datatypes
默认的 Pandas 数据类型并不是最节省内存的类型。对于唯一值相对较少的文本数据列（通常被称为“低基数”数据），这一点尤其正确。通过使用更有效率的数据类型，您可以将更大的数据集存储在内存中。
In [11]: ts = make_timeseries(freq="30s", seed=0)
In [12]: ts.to_parquet("timeseries.parquet")
In [13]: ts = pd.read_parquet("timeseries.parquet")
In [14]: ts
Out[14]:
id name x y
timestamp
2000-01-01 00:00:00 1041 Alice 0.889987 0.281011
2000-01-01 00:00:30 988 Bob -0.455299 0.488153
2000-01-01 00:01:00 1018 Alice 0.096061 0.580473
2000-01-01 00:01:30 992 Bob 0.142482 0.041665
2000-01-01 00:02:00 960 Bob -0.036235 0.802159
... ... ... ... ...
2000-12-30 23:58:00 1022 Alice 0.266191 0.875579
2000-12-30 23:58:30 974 Alice -0.009826 0.413686
2000-12-30 23:59:00 1028 Charlie 0.307108 -0.656789
2000-12-30 23:59:30 1002 Alice 0.202602 0.541335
2000-12-31 00:00:00 987 Alice 0.200832 0.615972
[1051201 rows x 4 columns]现在，让我们检查数据类型和内存使用情况，看看我们应该将注意力集中在哪里。
In [15]: ts.dtypes
Out[15]:
id int64
name object
x float64
y float64
dtype: objectIn [16]: ts.memory_usage(deep=True) # memory usage in bytes
Out[16]:
Index 8409608
id 8409608
name 65176434
x 8409608
y 8409608
dtype: int64列 name 占用比任何其他列都多得多的内存。它只有少量唯一值，因此是转换为 pandas.Categorical 的良好候选选项。使用 pandas.Categorical，我们会存储每个唯一名称一次，然后使用节省空间的整数来了解在每行中使用了哪个特定名称。
In [17]: ts2 = ts.copy()
In [18]: ts2["name"] = ts2["name"].astype("category")
In [19]: ts2.memory_usage(deep=True)
Out[19]:
Index 8409608
id 8409608
name 1051495
x 8409608
y 8409608
dtype: int64我们可以更进一步，使用 pandas.to_numeric() 将数字列向下转换为它们的最小类型。
In [20]: ts2["id"] = pd.to_numeric(ts2["id"], downcast="unsigned")
In [21]: ts2[["x", "y"]] = ts2[["x", "y"]].apply(pd.to_numeric, downcast="float")
In [22]: ts2.dtypes
Out[22]:
id uint16
name category
x float32
y float32
dtype: objectIn [23]: ts2.memory_usage(deep=True)
Out[23]:
Index 8409608
id 2102402
name 1051495
x 4204804
y 4204804
dtype: int64In [24]: reduction = ts2.memory_usage(deep=True).sum() / ts.memory_usage(deep=True).sum()
In [25]: print(f"{reduction:0.2f}")
0.20总而言之，我们已将此数据集的内存占用空间缩小到其原始大小的五分之一。
请参阅 Categorical data 以了解 pandas.Categorical 的更多信息，以及 dtypes 以了解所有 pandas 数据类型的概述。
Use chunking
通过将一个大问题分成一堆小问题，一些工作量可以通过分块来实现。例如，将单个 CSV 文件转换为 Parquet 文件，并对目录中的每个文件重复该操作。只要每个分块都适合内存，您就可以处理比内存大得多的数据集。
|
当您正在执行的操作需要零协调或最少的块之间协调时，分块效果很好。对于更复杂的工作流，您最好 using other libraries。 |
假设我们在磁盘上有一个更大的“逻辑数据集”，它是一个由镶木地板文件组成的目录。目录中的每个文件都代表整个数据集的不同年份。
In [26]: import pathlib
In [27]: N = 12
In [28]: starts = [f"20{i:>02d}-01-01" for i in range(N)]
In [29]: ends = [f"20{i:>02d}-12-13" for i in range(N)]
In [30]: pathlib.Path("data/timeseries").mkdir(exist_ok=True)
In [31]: for i, (start, end) in enumerate(zip(starts, ends)):
....: ts = make_timeseries(start=start, end=end, freq="1min", seed=i)
....: ts.to_parquet(f"data/timeseries/ts-{i:0>2d}.parquet")
....:data
└── timeseries
├── ts-00.parquet
├── ts-01.parquet
├── ts-02.parquet
├── ts-03.parquet
├── ts-04.parquet
├── ts-05.parquet
├── ts-06.parquet
├── ts-07.parquet
├── ts-08.parquet
├── ts-09.parquet
├── ts-10.parquet
└── ts-11.parquet现在，我们将实施一个非核心 pandas.Series.value_counts()。此工作流的峰值内存使用量是单个最大分块，加上一个存储此点之前的唯一值计数的小序列。只要每个单独的文件适合内存，这将适用于大小任意的数据集。
In [32]: %%time
....: files = pathlib.Path("data/timeseries/").glob("ts*.parquet")
....: counts = pd.Series(dtype=int)
....: for path in files:
....: df = pd.read_parquet(path)
....: counts = counts.add(df["name"].value_counts(), fill_value=0)
....: counts.astype(int)
....:
CPU times: user 760 ms, sys: 26.1 ms, total: 786 ms
Wall time: 559 ms
Out[32]:
name
Alice 1994645
Bob 1993692
Charlie 1994875
dtype: int64一些读取器（如 pandas.read_csv()）提供参数，可在读取单个文件时控制 chunksize。
手动分块是工作流的不错选择，这些工作流不需要太多复杂的操作。一些操作（如 pandas.DataFrame.groupby()），很难逐块执行。在这些情况下，您最好切换到为您实现这些非核心算法的不同库。
Use Other Libraries
还有其他一些库提供与 pandas 类似的 API，并且与 pandas DataFrame 配合良好，并且可以让您通过并行运行时、分布式内存、群集等来扩展大数据集处理和分析功能。您可以在 the ecosystem page 中找到更多信息。