[英]join,concatenate two dataframe based on reteated column pandas python
[英]Python Pandas - Concatenate two Pandas column Efficiently
我正在寻找最有效的内存方式来连接Int 32和Datetime列以创建第3列。 我在Dataframe中有两列int32和datetime64。 我想创建第3列,它将。
数据框如下所示:
我想要的是:
我创建了一个测试数据框架,如下所示:
import pandas as pd
import numpy as np
import sys
import datetime as dt
%load_ext memory_profiler
np.random.seed(42)
df_rows = 10**6
todays_date = dt.datetime.now().date()
dt_array = pd.date_range(todays_date - dt.timedelta(2*365), periods=2*365, freq='D')
cust_id_array = np.random.randint(100000,999999,size=(100000, 1))
df = pd.DataFrame({'cust_id':np.random.choice(cust_id_array.flatten(),df_rows,replace=True)
,'tran_dt':np.random.choice(dt_array,df_rows,replace=True)})
df.info()
我已经使用了map和astype来串联,但是内存使用率仍然很高:
%memit -r 1 df['comb_key'] = df["cust_id"].map(str) + '----' + df["tran_dt"].map(str)
%memit -r 1 df['comb_key'] = df["cust_id"].astype(str) + '----' + df["tran_dt"].astype(str)
%memit -r 1 df['comb_key'] = df.apply(lambda x: str(str(x['cust_id']) \
+ '----' + dt.datetime.strftime(x['tran_dt'],'%Y-%m-%d')), axis=1)
有没有更有效的内存方式来做到这一点? 我的真实数据集是在具有16GB RAM的计算机上未压缩的约1.8GB。
df['comb_key'] = df["cust_id"].astype(str) + '----' + df["tran_dt"].astype(str)
它是计算上最快的方法,因为您实际上仅对数据的每个元素执行一种类型转换,并且几乎所有这些操作都在C中进行。
因此,如果遇到内存问题,则必须分节进行,例如:2:
%%memit
df['comb_key'] = ''
df.comb_key.update(df["cust_id"].iloc[:500000].astype(str) + '----' + df["tran_dt"].iloc[:500000].astype(str))
df.comb_key.update(df["cust_id"].iloc[500000:].astype(str) + '----' + df["tran_dt"].iloc[500000:].astype(str))
# peak memory: 253.06 MiB, increment: 63.25 MiB
请注意,新列消耗65MB的内存:
df.memory_usage(deep=True)
# Index 72
# cust_id 8000000
# tran_dt 8000000
# comb_key 65000000
# dtype: int64
因此,请确保您有足够的内存来首先存储结果! 但是,可能很重要的一点是要注意,如果执行此操作时遇到内存问题,但以某种方式足以存储结果,则很可能没有足够的内存来对数据帧进行更多工作。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.