連結しようとしている3つのDataFrameがあります。
concat_df = pd.concat([df1, df2, df3])
これにより、MemoryErrorが発生します。どうすれば解決できますか?
既存の同様の質問のほとんどは、大きなファイルを読み取るときに発生するMemoryErrorに関するものです。私にはその問題はありません。ファイルをDataFramesに読み込みました。そのデータを連結することはできません。
コミュニティの回答に感謝します。しかし、私の場合、問題は実際には32ビットPythonを使用していたためであることがわかりました。
メモリ制限 Windows 32および64ビットOS用に定義されています。 32ビットプロセスの場合、2 GBのみです。したがって、たとえRAMが2GBを超えていて、64ビットOSを実行しているが、32ビットプロセスを実行している場合でも、そのプロセスは2つに制限されますGB of RAM-私の場合、そのプロセスはPythonでした。
64ビットPythonにアップグレードしましたが、それ以来メモリエラーは発生していません。
その他の関連する質問は次のとおりです。 64ビットウィンドウでのPython 32ビットメモリ制限 、 Python 32ビットまたはPython = 64ビット 、 なぜこのnumpy配列が大きすぎてロードできないのですか?
連結によってデータフレームを単一のcsvファイルに配置することをお勧めします。次に、csvファイルを読み取ります。
それを実行します:
# write df1 content in file.csv
df1.to_csv('file.csv', index=False)
# append df2 content to file.csv
df2.to_csv('file.csv', mode='a', columns=False, index=False)
# append df3 content to file.csv
df3.to_csv('file.csv', mode='a', columns=False, index=False)
# free memory
del df1, df2, df3
# read all df1, df2, df3 contents
df = pd.read_csv('file.csv')
このソリューションが十分なパフォーマンスを発揮しない場合、通常よりも大きなファイルを連結します。行う:
df1.to_csv('file.csv', index=False)
df2.to_csv('file1.csv', index=False)
df3.to_csv('file2.csv', index=False)
del df1, df2, df3
次に、bashコマンドを実行します。
cat file1.csv >> file.csv
cat file2.csv >> file.csv
cat file3.csv >> file.csv
またはpythonでcsvファイルを連結:
def concat(file1, file2):
with open(file2, 'r') as filename2:
data = file2.read()
with open(file1, 'a') as filename1:
file.write(data)
concat('file.csv', 'file1.csv')
concat('file.csv', 'file2.csv')
concat('file.csv', 'file3.csv')
読んだ後:
df = pd.read_csv('file.csv')
問題は、他の回答で見られるように、記憶の問題です。そして解決策は、データをディスクに保存し、一意のデータフレームを構築することです。
このような膨大なデータでは、パフォーマンスが問題になります。
テキストモードでの変換が発生するため、csvソリューションは非常に低速です。 HDF5ソリューションは、バイナリモードを使用しているため、短く、エレガントで、高速です。 pickle を使用して、バイナリモードで3番目の方法を提案します。これはさらに高速であるように見えますが、より技術的であり、さらにスペースが必要です。そして、4番目は手作業です。
ここにコード:
import numpy as np
import pandas as pd
# a DataFrame factory:
dfs=[]
for i in range(10):
dfs.append(pd.DataFrame(np.empty((10**5,4)),columns=range(4)))
# a csv solution
def bycsv(dfs):
md,hd='w',True
for df in dfs:
df.to_csv('df_all.csv',mode=md,header=hd,index=None)
md,hd='a',False
#del dfs
df_all=pd.read_csv('df_all.csv',index_col=None)
os.remove('df_all.csv')
return df_all
より良いソリューション:
def byHDF(dfs):
store=pd.HDFStore('df_all.h5')
for df in dfs:
store.append('df',df,data_columns=list('0123'))
#del dfs
df=store.select('df')
store.close()
os.remove('df_all.h5')
return df
def bypickle(dfs):
c=[]
with open('df_all.pkl','ab') as f:
for df in dfs:
pickle.dump(df,f)
c.append(len(df))
#del dfs
with open('df_all.pkl','rb') as f:
df_all=pickle.load(f)
offset=len(df_all)
df_all=df_all.append(pd.DataFrame(np.empty(sum(c[1:])*4).reshape(-1,4)))
for size in c[1:]:
df=pickle.load(f)
df_all.iloc[offset:offset+size]=df.values
offset+=size
os.remove('df_all.pkl')
return df_all
同種のデータフレームの場合、さらに改善することができます。
def byhand(dfs):
mtot=0
with open('df_all.bin','wb') as f:
for df in dfs:
m,n =df.shape
mtot += m
f.write(df.values.tobytes())
typ=df.values.dtype
#del dfs
with open('df_all.bin','rb') as f:
buffer=f.read()
data=np.frombuffer(buffer,dtype=typ).reshape(mtot,n)
df_all=pd.DataFrame(data=data,columns=list(range(n)))
os.remove('df_all.bin')
return df_all
また、パフォーマンスを比較するために(わずか32 Mb)データをテストします。 4 Gbの場合、約128を掛ける必要があります。
In [92]: %time w=bycsv(dfs)
Wall time: 8.06 s
In [93]: %time x=byHDF(dfs)
Wall time: 547 ms
In [94]: %time v=bypickle(dfs)
Wall time: 219 ms
In [95]: %time y=byhand(dfs)
Wall time: 109 ms
チェック :
In [195]: (x.values==w.values).all()
Out[195]: True
In [196]: (x.values==v.values).all()
Out[196]: True
In [197]: (x.values==y.values).all()
Out[196]: True
もちろん、すべてを改善し、問題に合わせて調整する必要があります。
たとえば、df3をサイズ 'total_memory_size-df_total_size'のチャンクに分割して、bypickle
を実行できます。
必要に応じてデータ構造とサイズに関する詳細情報を提供していただければ、編集できます。美しい質問!
@glegouxが示唆するものと同様に、pd.DataFrame.to_csv
は追加モードで書き込むことができるため、次のようなことができます。
df1.to_csv(filename)
df2.to_csv(filename, mode='a', columns=False)
df3.to_csv(filename, mode='a', columns=False)
del df1, df2, df3
df_concat = pd.read_csv(filename)
ちょっとここで推測しますが、多分:
df1 = pd.concat([df1,df2])
del df2
df1 = pd.concat([df1,df3])
del df3
明らかに、ループとしてそれ以上を行うことができますが、重要なことは、df2、df3などを削除することです。質問でそれをしているとき、古いデータフレームをクリアすることはないので、必要なメモリの約2倍のメモリを使用しています。
より一般的に、あなたが読んで連結している場合、私はこのようなことをします(3つのCSVがある場合:foo0、foo1、foo2):
concat_df = pd.DataFrame()
for i in range(3):
temp_df = pd.read_csv('foo'+str(i)+'.csv')
concat_df = pd.concat( [concat_df, temp_df] )
つまり、ファイルを読み込んでいるときに、小さなデータフレームをメモリに一時的に保持するだけで、それらを結合されたdf、concat_dfに連結します。現在は、連結した後でも、すべての小さいデータフレームを保持しています。
Daskは、大きなデータフレームを処理するのに適したオプションです。 Dask Docs を通過します。
個々のデータフレームをHDF Store に保存し、1つの大きなデータフレームのようにストアを呼び出すことができます。
# name of store
fname = 'my_store'
with pd.get_store(fname) as store:
# save individual dfs to store
for df in [df1, df2, df3, df_foo]:
store.append('df',df,data_columns=['FOO','BAR','ETC']) # data_columns = identify the column in the dfs you are appending
# access the store as a single df
df = store.select('df', where = ['A>2']) # change where condition as required (see documentation for examples)
# Do other stuff with df #
# close the store when you're done
os.remove(fname)
別のオプション:
1)_df1
_を.csvファイルに書き込みます:df1.to_csv('Big file.csv')
2).csvファイルを開き、_df2
_を追加します。
_with open('Big File.csv','a') as f:
df2.to_csv(f, header=False)
_
3)_df3
_でステップ2を繰り返します
_with open('Big File.csv','a') as f:
df3.to_csv(f, header=False)
_
多数のDataFrameを「成長中の」DataFrameに連結しようとしたときに、同様のパフォーマンスの問題が発生しました。
私の回避策は、すべてのサブDataFramesをリストに追加し、サブDataFramesの処理が完了したらDataFramesのリストを連結することでした。これにより、ランタイムがほぼ半分になります。