pandas - 使用熊猫打开 CSV 文件时出现内存错误
问题描述
我尝试用 pandas 打开一个 CSV 文件,但出现 MemoryError。该文件约为300mb。当我使用较小的文件时,一切正常。
我正在使用具有 64GB RAM 的 Windows 10。我已经尝试在 Pycharm 中更改自定义 VM 选项(“帮助”>>“编辑自定义 VM 选项”)并设置更高的内存数量,但它仍然不起作用
import pandas as pd
df = pd.read_csv('report_OOP_Full.csv')
# I tried to add the following line but doesnt help
# df.info(memory_usage='deep')
MemoryError: 无法为形状 (14, 3216774) 和数据类型 float64 的数组分配 344.MiB
进程以退出代码 1 结束
解决方案
这可能不是最有效的方法,但试试吧。根据您的 RAM 可用性减少或增加块大小。
chunks = pd.read_csv('report_OOP_Full.csv', chunksize=10000)
i = 0
chunk_list = []
for chunk in chunks:
i += 1
chunk_list.append(chunk)
df = pd.concat(chunk_list, sort = True)
如果这不起作用。试试这个:
chunks = pd.read_csv('report_OOP_Full.csv', chunksize=10000)
i = 0
chunk_list = []
for chunk in chunks:
if i >= 10:
break
i += 1
chunk_list.append(chunk)
df1 = pd.concat(chunk_list, sort = True)
chunks = pd.read_csv('report_OOP_Full.csv', skiprows = 100000, chunksize=10000)
i = 0
chunk_list = []
for chunk in chunks:
if i >= 10:
break
i += 1
chunk_list.append(chunk)
df2 = pd.concat(chunk_list, sort = True)
d3 = pd.concat([d1,d2], sort = True)
skiprows 是根据前一个数据帧读入的行数计算的。
这将在加载 10 个块后中断。将此存储为 df1。并从块 11 开始再次读取文件,然后再次附加。
我了解您正在处理一些大数据。我鼓励你看看我发现的这个函数。下面的链接解释了它是如何工作的。此功能的功劳在这里: 功劳
def reduce_mem_usage(df):
start_mem = df.memory_usage().sum() / 1024**2
print('Memory usage of dataframe is {:.2f} MB'.format(start_mem))
for col in df.columns:
col_type = df[col].dtype
if col_type != object:
c_min = df[col].min()
c_max = df[col].max()
if str(col_type)[:3] == 'int':
if c_min > np.iinfo(np.int8).min and c_max < np.iinfo(np.int8).max:
df[col] = df[col].astype(np.int8)
elif c_min > np.iinfo(np.uint8).min and c_max < np.iinfo(np.uint8).max:
df[col] = df[col].astype(np.uint8)
elif c_min > np.iinfo(np.int16).min and c_max < np.iinfo(np.int16).max:
df[col] = df[col].astype(np.int16)
elif c_min > np.iinfo(np.uint16).min and c_max < np.iinfo(np.uint16).max:
df[col] = df[col].astype(np.uint16)
elif c_min > np.iinfo(np.int32).min and c_max < np.iinfo(np.int32).max:
df[col] = df[col].astype(np.int32)
elif c_min > np.iinfo(np.uint32).min and c_max < np.iinfo(np.uint32).max:
df[col] = df[col].astype(np.uint32)
elif c_min > np.iinfo(np.int64).min and c_max < np.iinfo(np.int64).max:
df[col] = df[col].astype(np.int64)
elif c_min > np.iinfo(np.uint64).min and c_max < np.iinfo(np.uint64).max:
df[col] = df[col].astype(np.uint64)
else:
if c_min > np.finfo(np.float16).min and c_max < np.finfo(np.float16).max:
df[col] = df[col].astype(np.float16)
elif c_min > np.finfo(np.float32).min and c_max < np.finfo(np.float32).max:
df[col] = df[col].astype(np.float32)
else:
df[col] = df[col].astype(np.float64)
end_mem = df.memory_usage().sum() / 1024**2
print('Memory usage after optimization is: {:.2f} MB'.format(end_mem))
print('Decreased by {:.1f}%'.format(100 * (start_mem - end_mem) / start_mem))
return df
这将确保您的数据框在使用它时使用尽可能低的内存。
推荐阅读
- excel - 如何修复 VBA 复制和过去公式错误
- sql - 不相等的地方 (SQL)
- android - 如何使用expo限制平板电脑/手机的android应用程序?
- meteor - 如何使用 Meteor 和 React 一致地确定用户名
- python - insert_many 或 insert_one 在 PyMongo 的 MongoDB 中不起作用
- node.js - 有没有办法对关键代码进行模糊搜索?
- python - Sqlite DB 中的多线程
- java - 使用 Lombok 在构造函数中设置所有值的最小化版本,而不是使用额外的 setter 向下转换
- security - SSL 证书是保护“网络”还是“仅”保护数据?
- android - 带有 popBackStack 事务的偏好片段