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:\Users\15025\Desktop\uncle\debug.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 < 0.5:
converted_obj.loc[:,col] = g1_obj[col].astype('category')
else:
converted_obj.loc[:,col] = g1_obj[col]
#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。
