如何连接多个pandas.DataFrames而不遇到MemoryError

Question

我正在尝试连接三个 DataFrame。

concat_df = pd.concat([df1, df2, df3])

这会导致内存错误。我该如何解决这个问题？

请注意，大多数现有的类似问题都是关于读取大文件时发生的 MemoryErrors。我没有这个问题。我已将我的文件读入 DataFrames 中。我只是无法连接这些数据。

Answer 1

就像在其他答案中看到的那样，问题是记忆问题。解决方案是将数据存储在磁盘上，然后构建唯一的数据框。

面对如此庞大的数据，性能是一个问题。

csv 解决方案非常慢，因为发生文本模式转换。 由于使用二进制模式，HDF5 解决方案更短、更优雅、更快。 我提出了二进制模式的第三种方法，即 pickle，它似乎更快，但更具技术性并且需要更多空间。第四个，用手。

这里是代码：

import numpy as np
import pandas as pd
import os
import pickle

# a DataFrame factory:
dfs=[]
for i in range(10):
    dfs.append(pd.DataFrame(np.empty((10**5,4)),columns=range(4)))
    
# a csv solution
def bycsv(dfs):
    md,hd='w',True
    for df in dfs:
        df.to_csv('df_all.csv',mode=md,header=hd,index=None)
        md,hd='a',False
    #del dfs
    df_all=pd.read_csv('df_all.csv',index_col=None)
    os.remove('df_all.csv') 
    return df_all    

    

更好的解决方案：

def byHDF(dfs):
    store=pd.HDFStore('df_all.h5')
    for df in dfs:
        store.append('df',df,data_columns=list('0123'))
    #del dfs
    df=store.select('df')
    store.close()
    os.remove('df_all.h5')
    return df

def bypickle(dfs):
    c=[]
    with open('df_all.pkl','ab') as f:
        for df in dfs:
            pickle.dump(df,f)
            c.append(len(df))    
    #del dfs
    with open('df_all.pkl','rb') as f:
        df_all=pickle.load(f)
        offset=len(df_all)
        df_all=df_all.append(pd.DataFrame(np.empty(sum(c[1:])*4).reshape(-1,4)))
        
        for size in c[1:]:
            df=pickle.load(f)
            df_all.iloc[offset:offset+size]=df.values 
            offset+=size
    os.remove('df_all.pkl')
    return df_all
    

对于同构数据帧，我们可以做得更好：

def byhand(dfs):
    mtot=0
    with open('df_all.bin','wb') as f:
        for df in dfs:
            m,n =df.shape
            mtot += m
            f.write(df.values.tobytes())
            typ=df.values.dtype                
    #del dfs
    with open('df_all.bin','rb') as f:
        buffer=f.read()
        data=np.frombuffer(buffer,dtype=typ).reshape(mtot,n)
        df_all=pd.DataFrame(data=data,columns=list(range(n))) 
    os.remove('df_all.bin')
    return df_all

以及对（少量，32 Mb）数据的一些测试来比较性能。 4 Gb 必须乘以约 128。

In [92]: %time w=bycsv(dfs)
Wall time: 8.06 s

In [93]: %time x=byHDF(dfs)
Wall time: 547 ms

In [94]: %time v=bypickle(dfs)
Wall time: 219 ms

In [95]: %time y=byhand(dfs)
Wall time: 109 ms

支票：

In [195]: (x.values==w.values).all()
Out[195]: True

In [196]: (x.values==v.values).all()
Out[196]: True

In [197]: (x.values==y.values).all()
Out[196]: True


            

当然，所有这些都必须进行改进和调整以适应您的问题。

例如，df3 可以拆分为大小为“total_memory_size - df_total_size”的块，以便能够运行

bypickle

。

如果您愿意的话，如果您提供有关数据结构和大小的更多信息，我可以编辑它。漂亮的问题！

Answer 2

我建议您通过串联将数据帧放入单个 csv 文件中。然后读取您的 csv 文件。

执行：

# write df1 content in file.csv
df1.to_csv('file.csv', index=False)
# append df2 content to file.csv
df2.to_csv('file.csv', mode='a', columns=False, index=False)
# append df3 content to file.csv
df3.to_csv('file.csv', mode='a', columns=False, index=False)

# free memory
del df1, df2, df3

# read all df1, df2, df3 contents
df = pd.read_csv('file.csv')

如果此解决方案性能不够，请连接比平常更大的文件。做：

df1.to_csv('file.csv', index=False)
df2.to_csv('file1.csv', index=False)
df3.to_csv('file2.csv', index=False)

del df1, df2, df3

然后运行bash命令：

cat file1.csv >> file.csv
cat file2.csv >> file.csv
cat file3.csv >> file.csv

或者在 python 中连接 csv 文件：

def concat(file1, file2):
    with open(file2, 'r') as filename2:
        data = file2.read()
    with open(file1, 'a') as filename1:
        file.write(data)

concat('file.csv', 'file1.csv')
concat('file.csv', 'file2.csv')
concat('file.csv', 'file3.csv')

看完后：

df = pd.read_csv('file.csv')

Answer 3

有点猜测，但也许：

df1 = pd.concat([df1,df2])
del df2
df1 = pd.concat([df1,df3])
del df3

显然，您可以将其作为循环执行更多操作，但关键是您要随时删除 df2、df3 等。当您在问题中执行此操作时，您永远不会清除旧的数据帧，因此您使用的内存大约是所需内存的两倍。

更一般地说，如果您正在阅读和连接，我会这样做（如果您有 3 个 CSV：foo0、foo1、foo2）：

concat_df = pd.DataFrame()
for i in range(3):
    temp_df = pd.read_csv('foo'+str(i)+'.csv')
    concat_df = pd.concat( [concat_df, temp_df] )

换句话说，当您读取文件时，您只会暂时将小数据帧保留在内存中，直到将它们连接成组合的 df，concat_df。正如您目前所做的那样，您将保留所有较小的数据帧，即使在连接它们之后也是如此。

Answer 4

与@glegoux建议的类似，

pd.DataFrame.to_csv

也可以以追加模式写入，因此您可以执行以下操作：

df1.to_csv(filename)
df2.to_csv(filename, mode='a', columns=False)
df3.to_csv(filename, mode='a', columns=False)

del df1, df2, df3
df_concat = pd.read_csv(filename)

Answer 5

Dask 可能是尝试处理大型数据帧的不错选择 - 请浏览Dask 文档

Answer 6

我感谢社区的回答。然而，就我而言，我发现问题实际上是由于我使用的是 32 位 Python。

为 Windows 32 和 64 位操作系统定义了内存限制。对于 32 位进程，它只有 2 GB。因此，即使您的 RAM 超过 2GB，即使您运行的是 64 位操作系统，但运行的是 32 位进程，那么该进程将仅限于 2 GB RAM - 在我的例子中是该进程是Python。

我升级到了 64 位 Python，从那以后就再也没有出现过内存错误！

其他相关问题是：

64位Windows上的Python 32位内存限制，我应该使用Python 32位还是Python 64位，为什么这个numpy数组太大而无法加载？

Answer 7

您可以将各个数据帧存储在 HDF

Store 中，然后像调用一个大数据帧一样调用该存储。

# name of store
fname = 'my_store'

with pd.get_store(fname) as store:

    # save individual dfs to store
    for df in [df1, df2, df3, df_foo]:
        store.append('df',df,data_columns=['FOO','BAR','ETC']) # data_columns = identify the column in the dfs you are appending

    # access the store as a single df
    df = store.select('df', where = ['A>2'])  # change where condition as required (see documentation for examples)
    # Do other stuff with df #

# close the store when you're done
os.remove(fname)

Answer 8

我在尝试将大量 DataFrame 连接到“不断增长的”DataFrame 时遇到了类似的性能问题。

我的解决方法是将所有子数据帧附加到一个列表中，然后在子数据帧的处理完成后连接数据帧列表。这将使运行时间几乎减少一半。

Answer 9

另一种选择：

1) 将

df1

写入.csv文件：

df1.to_csv('Big file.csv')

2) 打开.csv 文件，然后追加

df2

:

with open('Big File.csv','a') as f:
    df2.to_csv(f, header=False)

3) 使用

df3

重复步骤 2

with open('Big File.csv','a') as f:
    df3.to_csv(f, header=False)

Answer 10

写入硬盘时，

df.to_csv

 会抛出 

columns=False

 错误。

以下解决方案效果很好：

# write df1 to hard disk as file.csv
train1.to_csv('file.csv', index=False)
# append df2 to file.csv
train2.to_csv('file.csv', mode='a', header=False, index=False)
# read the appended csv as df
train = pd.read_csv('file.csv')

Answer 11

使用此函数将每列数据类型转换为可能的最小值，以适合该列中的任何值，而不是在任何地方都只有 float64，而只是足够的最小值，如 int8、int16、float32，具体取决于每列。将对象转换为类别非常重要。在某些情况下，它甚至可以缩小 10 倍。之后是一个循环，将它们全部附加到一个列表中，一个 pd.concat 用于大文件，并删除列表以在最后释放内存。

# Function to verify memory use
def memory_usage(df):
    return round(df.memory_usage(index=True, deep=True).sum() / (1024 ** 2))
        
        
# Function to reduce memory usage
def reduce_size(df):
print(f'Memory usage before transform: {memory_usage(df)} MB')

# Convert boolean to int    
bool_cols = df.select_dtypes(include=[bool]).columns
df[bool_cols] = df[bool_cols].astype(np.int8)

# Convert non_numericals to category
cat_cols = df.select_dtypes(exclude=[np.number, np.datetime64]).columns
df[cat_cols] = df[cat_cols].astype('category')

# Define data types lists
int_types = [np.int8, np.int16, np.int32, np.int64]
float_types = [np.float32, np.float64]
num_cols = df.select_dtypes(include=[np.number]).columns

# Convert numericals to the lowest dtype
for num_col in num_cols:
    col_type = df[num_col].dtype
    c_min = df[num_col].min()
    c_max = df[num_col].max()
    if col_type in int_types:
        if c_min > np.iinfo(np.int8).min and c_max < np.iinfo(np.int8).max:
            df[num_col] = df[num_col].astype(np.int8)
        elif c_min > np.iinfo(np.int16).min and c_max < np.iinfo(np.int16).max:
            df[num_col] = df[num_col].astype(np.int16)
        elif c_min > np.iinfo(np.int32).min and c_max < np.iinfo(np.int32).max:
            df[num_col] = df[num_col].astype(np.int32)
        elif c_min > np.iinfo(np.int64).min and c_max < np.iinfo(np.int64).max:
            df[num_col] = df[num_col].astype(np.int64)
    elif col_type in float_types:
        if c_min > np.finfo(np.float32).min and c_max < np.finfo(np.float32).max:
            df[num_col] = df[num_col].astype(np.float32)        
print(f'Memory usage after transform: {memory_usage(df)} MB')
return df