Pandas - 将大型数据帧切成块

Question

我有一个大型数据框（>3MM 行），我试图通过一个函数传递该数据框（下面的函数在很大程度上简化了），并且我不断收到一条

Memory Error

消息。

我认为我将太大的数据帧传递到函数中，所以我尝试：

1）将数据帧切成更小的块（最好按

AcctName

切片）

2）将数据帧传递到函数中

3）将数据帧连接回一个大数据帧

def trans_times_2(df):
    df['Double_Transaction'] = df['Transaction'] * 2

large_df 
AcctName   Timestamp    Transaction
ABC        12/1         12.12
ABC        12/2         20.89
ABC        12/3         51.93    
DEF        12/2         13.12
DEF        12/8          9.93
DEF        12/9         92.09
GHI        12/1         14.33
GHI        12/6         21.99
GHI        12/12        98.81

我知道我的函数可以正常工作，因为它可以在较小的数据帧（例如 40,000 行）上工作。我尝试了以下操作，但未能成功将小数据帧连接回一个大数据帧。

def split_df(df):
    new_df = []
    AcctNames = df.AcctName.unique()
    DataFrameDict = {elem: pd.DataFrame for elem in AcctNames}
    key_list = [k for k in DataFrameDict.keys()]
    new_df = []
    for key in DataFrameDict.keys():
        DataFrameDict[key] = df[:][df.AcctNames == key]
        trans_times_2(DataFrameDict[key])
    rejoined_df = pd.concat(new_df)

我如何设想数据帧被分割：

df1
AcctName   Timestamp    Transaction  Double_Transaction
ABC        12/1         12.12        24.24
ABC        12/2         20.89        41.78
ABC        12/3         51.93        103.86

df2
AcctName   Timestamp    Transaction  Double_Transaction
DEF        12/2         13.12        26.24
DEF        12/8          9.93        19.86
DEF        12/9         92.09        184.18

df3
AcctName   Timestamp    Transaction  Double_Transaction
GHI        12/1         14.33        28.66
GHI        12/6         21.99        43.98
GHI        12/12        98.81        197.62

Answer 1

您可以使用列表理解将数据帧拆分为列表中包含的更小的数据帧。

n = 200000  #chunk row size
list_df = [df[i:i+n] for i in range(0,df.shape[0],n)]

或者使用 numpy

array_split

，请参阅此评论以了解差异：

list_df = np.array_split(df, n)

您可以通过以下方式访问块：

list_df[0]
list_df[1]
etc...

然后您可以使用 pd.concat 将其组装回一个数据帧。

按账户名称

list_df = []

for n,g in df.groupby('AcctName'):
    list_df.append(g)

Answer 2

我建议使用依赖项

more_itertools

。它处理所有边缘情况，例如数据帧的不均匀分区，并返回一个迭代器，这将使事情变得更加高效。

（使用@Acumenus 的代码更新）

from more_itertools import sliced
CHUNK_SIZE = 5

index_slices = sliced(range(len(df)), CHUNK_SIZE)

for index_slice in index_slices:
  chunk = df.iloc[index_slice] # your dataframe chunk ready for use

Answer 3

我喜欢@ScottBoston 的回答，尽管我仍然没有记住咒语。这是一个更详细的函数，可以做同样的事情：

def chunkify(df: pd.DataFrame, chunk_size: int):
    start = 0
    length = df.shape[0]

    # If DF is smaller than the chunk, return the DF
    if length <= chunk_size:
        yield df[:]
        return

    # Yield individual chunks
    while start + chunk_size <= length:
        yield df[start:chunk_size + start]
        start = start + chunk_size

    # Yield the remainder chunk, if needed
    if start < length:
        yield df[start:]

要重建数据框，请将每个块累积到列表中，然后

pd.concat(chunks, axis=1)

Answer 4

感谢您的解决方案。

我尝试了两种建议的方法：

方法一：

n = 10**6
list_df = [df[i:i+n] for i in range(0, df.shape[0], n)]
list_df[0]

这样更快。

方法二：

import numpy as np
import math

n = 10**6
list_df = np.array_split(df, math.ceil(len(df)/n))
list_df[0]

这比较慢。