合并多个大型DataFrame的有效方法

  • Z时代
  • 2024-01-10
  • 分类：问答

假设我有4个小型DataFrame

df1，df2，df3和df4

import pandas as pd
from functools import reduce
import numpy as np
df1 = pd.DataFrame([['a', 1, 10], ['a', 2, 20], ['b', 1, 4], ['c', 1, 2], ['e', 2, 10]])
df2 = pd.DataFrame([['a', 1, 15], ['a', 2, 20], ['c', 1, 2]])
df3 = pd.DataFrame([['d', 1, 10], ['e', 2, 20], ['f', 1, 1]])  
df4 = pd.DataFrame([['d', 1, 10], ['e', 2, 20], ['f', 1, 15]])
df1.columns = ['name', 'id', 'price']
df2.columns = ['name', 'id', 'price']
df3.columns = ['name', 'id', 'price']    
df4.columns = ['name', 'id', 'price']
df1 = df1.rename(columns={'price':'pricepart1'})
df2 = df2.rename(columns={'price':'pricepart2'})
df3 = df3.rename(columns={'price':'pricepart3'})
df4 = df4.rename(columns={'price':'pricepart4'})

上面创建的是4个DataFrame，下面的代码是我想要的。

# Merge dataframes
df = pd.merge(df1, df2, left_on=['name', 'id'], right_on=['name', 'id'], how='outer')
df = pd.merge(df , df3, left_on=['name', 'id'], right_on=['name', 'id'], how='outer')
df = pd.merge(df , df4, left_on=['name', 'id'], right_on=['name', 'id'], how='outer')
# Fill na values with 'missing'
df = df.fillna('missing')

因此，我为4个没有很多行和列的DataFrame实现了这一点。

因此，我通过使用lambda reduce的另一个StackOverflow答案构建了这个解决方案：

from functools import reduce
import pandas as pd
import numpy as np
dfList = []
#To create the 48 DataFrames of size 62245 X 3
for i in range(0, 49):
    dfList.append(pd.DataFrame(np.random.randint(0,100,size=(62245, 3)), columns=['name',  'id',  'pricepart' + str(i + 1)]))
#The solution I came up with to extend the solution to more than 3 DataFrames
df_merged = reduce(lambda  left, right: pd.merge(left, right, left_on=['name', 'id'], right_on=['name', 'id'], how='outer'), dfList).fillna('missing')

这引起了MemoryError。

我不知道该怎么做才能阻止内核崩溃。.我已经坚持了两天。.我执行的EXACT

merge操作的一些代码不会导致MemoryError或产生与您相同的结果结果，将不胜感激。

另外，在主数据帧（不是可再现48个DataFrames中的例子）的3列的类型int64，int64和float64与我宁愿他们留，因为整数和浮子，它代表的这种方式。

编辑：

我不是以迭代方式尝试运行合并操作或使用reduce

lambda函数，而是以2为一组来完成它！另外，我更改了某些列的数据类型，而有些则不需要float64。所以我把它归结为float16。它距离很远，但最终仍会抛出MemoryError。

intermediatedfList = dfList
tempdfList = []
#Until I merge all the 48 frames two at a time, till it becomes size 2
while(len(intermediatedfList) != 2):
    #If there are even number of DataFrames
    if len(intermediatedfList)%2 == 0:
        #Go in steps of two
        for i in range(0, len(intermediatedfList), 2):
            #Merge DataFrame in index i, i + 1
            df1 = pd.merge(intermediatedfList[i], intermediatedfList[i + 1], left_on=['name',  'id'], right_on=['name',  'id'], how='outer')
            print(df1.info(memory_usage='deep'))
            #Append it to this list
            tempdfList.append(df1)
        #After DataFrames in intermediatedfList merging it two at a time using an auxillary list tempdfList, 
        #Set intermediatedfList to be equal to tempdfList, so it can continue the while loop. 
        intermediatedfList = tempdfList
    else:
        #If there are odd number of DataFrames, keep the first DataFrame out
        tempdfList = [intermediatedfList[0]]
        #Go in steps of two starting from 1 instead of 0
        for i in range(1, len(intermediatedfList), 2):
            #Merge DataFrame in index i, i + 1
            df1 = pd.merge(intermediatedfList[i], intermediatedfList[i + 1], left_on=['name',  'id'], right_on=['name',  'id'], how='outer')
            print(df1.info(memory_usage='deep'))
            tempdfList.append(df1)
        #After DataFrames in intermediatedfList merging it two at a time using an auxillary list tempdfList, 
        #Set intermediatedfList to be equal to tempdfList, so it can continue the while loop. 
        intermediatedfList = tempdfList

有什么我可以优化代码来避免的方法MemoryError，我什至使用过AWS 192GB

RAM（我现在欠他们7美元，我本来可以给你们一个），这比我得到的要远远得多，而且将MemoryError28个DataFrame的列表减少到4个后仍然抛出。

回答：

通过使用执行索引对齐的串联，您可能会获得一些好处pd.concat。希望它应该比外部合并更快，更有效地利用内存。

df_list = [df1, df2, ...]
for df in df_list:
    df.set_index(['name', 'id'], inplace=True)
df = pd.concat(df_list, axis=1) # join='inner'
df.reset_index(inplace=True)

或者，您可以用concat迭代代替（第二步）join：

from functools import reduce
df = reduce(lambda x, y: x.join(y), df_list)

这可能会更好，也可能不会更好merge。

以上是 合并多个大型DataFrame的有效方法 的全部内容， 来源链接： utcz.com/qa/408502.html

回到顶部