在 python 中合并多个大型数据帧的最佳方法是什么？

Question

我正在研究 Google Analytics API，它会提取我需要的所有维度和指标并将它们分类到数据帧中。 我的代码总共有九个数据框。

当我尝试合并数据帧时，我不断收到“Killed: 9”错误消息。 我知道我的代码效率低下，并且可能占用了大量 memory，因为它在合并后通过合并搅动，但我不知道如何解决它。

这是合并的示例...

MergeThree = pd.merge(MergeTwo, dfFour, how = 'outer', on = ['A', 'B', 'C', 'D']).fillna(0)
MergeThree = MergeThree[[
#dimensions
'A', 'B', 'C', 'D', 'E', 'F',
'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'O',
'P',
#metrics
'Q', 'R', 'S', "T", 'U',
'V', 'W', 'X', 'Y', 'Z', 'AA', 'AB', "AC"
]]

MergeFour = pd.merge(MergeThree, dfFive, how = 'outer', on = ['A', 'B', 'C', 'D']).fillna(0)
MergeFour = MergeFour[[
#dimensions
'A', 'B', 'C', 'D', 'E', 'F',
'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'O',
'P', 'AD',
#metrics
'Q', 'R', 'S', "T", 'U',
'V', 'W', 'X', 'Y', 'Z', 'AA', 'AB', "AC"
]]

MergeFive = pd.merge(MergeFour, dfSix, how = 'outer', on = ['A', 'B', 'C', 'D']).fillna(0)
MergeFive = MergeFive[[
#dimensions
'A', 'B', 'C', 'D', 'E', 'F',
'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'O',
'P', 'AD', 'AE',
#metrics
'Q', 'R', 'S', "T", 'U',
'V', 'W', 'X', 'Y', 'Z', 'AA', 'AB', "AC"
]]

ect. 

我已经尝试了许多不同版本的合并，我唯一可以开始工作的版本看起来像这样..

def MergeProcessThree(x):
    MergeThree = pd.merge(x, dfFourX, how = 'outer', on = ['A', 'B', 'C', 'D']).fillna(0)
    MergeThree = MergeThree[[
    #dimensions
    'A', 'B', 'C', 'D', 'E', 'F',
    'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'O',
    'P',
    #metrics
    'Q', 'R', 'S', "T", 'U',
    'V', 'W', 'X', 'Y', 'Z', 'AA', 'AB', "AC"'
    ]]
    MergeThree.to_csv('MergeThree.csv.gz', mode='a', index=False, compression='gzip')

MergeTwoX = pd.read_csv('MergeTwo.csv.gz', chunksize=100, compression='gzip')

for i in MergeTwoX:
    MergeProcessThree(i)

print('Merge Three Complete')

def MergeProcessFour(x):
    MergeFour = pd.merge(x, dfFiveX, how = 'outer', on = [''A', 'B', 'C', 'D']).fillna(0)
    MergeFour = MergeFour[[
    #dimensions
    'A', 'B', 'C', 'D', 'E', 'F',
    'G', 'H', 'I', 'J', 'K', 'L', 'M', 'N', 'O',
    'P', 'AD',
    #metrics
    'Q', 'R', 'S', "T", 'U',
    'V', 'W', 'X', 'Y', 'Z', 'AA', 'AB', "AC"
    ]]
    MergeFour.to_csv('MergeFour.csv.gz', mode='a', index=False, compression='gzip')

MergeThreeX = pd.read_csv('MergeThree.csv.gz', chunksize=100, compression='gzip')

for i in MergeThreeX:
    MergeProcessFour(i)

print('Merge Four Complete')

etc.

但是数据看起来不太对。 看起来它基本上被加倍了，但是在正常合并中缺少的东西不在按块分解的合并中。

我知道必须有更好的方法来获得我正在寻找的结果。

对此的任何帮助将不胜感激！

Answer 1

正如 Chaos 所提到的，没有固定的压缩方式，有时您可以从中获得很多收益，而其他时候可能无济于事。

一般的想法是，如果不改变原始值或在允许的阈值内，您可以使用较低的精度来表示您的数字。 例如，如果一列肯定只有二进制值 {0, 1}s，那么您可以只使用 np.int8 而不是常见的 np.int32 或 64，您可以通过简单地df[binary_column_name] = df[binary_column_name].astype(int) ，另一个例子， np.float16(1.23456789)=1.234如果你的应用程序可以接受这种截断。

您可以编写一个 function 自动执行此操作，

• 首先检查列是否为 integer
  • 然后检查它是否包含负值
    • 正：检查它所属的值范围，例如如果 max 小于 2^8=256 那么你知道你可以用 np.int8 来表示它，如果小于 2^16 那么你可以用 np.int16 来表示它
    • 负数：类似于正数，但现在检查您的值是否落在例如np.iinfo(np.int8) -> min=-128, max=127
• Float：和上面类似，检查取值范围和你想要的精度

您可以查看系统信息或pandas.DataFrame.memory_usage来比较执行上述步骤后您减少了多少 memory。

另请注意，某些系统不支持某些 dtype，因此您可能需要在合并后将其转换为接受的 dtype。 （例如，如果您想将 df 保存为羽毛，它不接受 float16 afik）