Pandas - 将大数据框切成块

问题描述：

我有一个大数据框（>3MM 行），我正尝试将其通过一个函数（下面的函数很大程度上被简化了），但我不断收到一条Memory Error消息。

我认为我向函数传递了太大的数据框，因此我尝试：

1）将数据帧切成更小的块（最好按AcctName）

2）将数据框传入函数

3）将数据框重新连接成一个大数据框

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框（例如 40,000 行）上工作。我尝试了以下操作，但未能将小数据框重新连接成一个大数据框。

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)

我设想如何分割数据框：

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

解决方案 1：

您可以使用列表理解将数据框拆分为列表中包含的较小数据框。

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

或者使用array_splitnumpy

list_df = np.array_split(df, math.ceil(len(df)/n))

您可以使用以下方式访问块：

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

然后您可以使用 pd.concat 将其重新组装成一个数据框。

按帐户名称

list_df = []

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

解决方案 2：

我建议使用依赖项more_itertools。它处理所有边缘情况，例如数据框的不均匀分区，并返回一个迭代器，这将使事情稍微更有效率。

（使用来自@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

解决方案 3：

我喜欢 @ScottBoston 的回答，尽管我还没有记住咒语。这是一个更详细的函数，可以执行相同的操作：

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，请将每个块累积到一个列表中，然后pd.concat(chunks, axis=1)

解决方案 4：

感谢您的解决方案。

我尝试了两种建议的方法：

方法一：

measure = time.time()
n = 10**6
list_df = [df[i:i+n] for i in range(0, df.shape[0], n)]
list_df[0]
print(time.time()-measure) # 0.00800180435180664 seconds

这更快。

方法 2：

import math

measure = time.time()
n = 10**6
list_df = np.array_split(df, math.ceil(len(df)/n))
list_df[0]
print(time.time()-measure) # 56.50256133079529 seconds

这比较慢。