Pandas如何获取数据的尺寸信息

admin Python

2024-03-01 0 584

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)

7.87 MB

1.48 MB