合并熊猫数据框使用太多内存答案

【问题标题】：Merging pandas Data frames uses way too much memory合并熊猫数据框使用太多内存
【发布时间】：2019-03-12 14:32:46
【问题描述】：

我正在将this Kaggle competition 作为我正在学习的课程的最终项目，为此，我试图复制this notebook，但他使用了一个函数来获取滞后的功能对我来说使用了太多的内存。这是他的代码：

def lag_feature(df, lags, col):
    tmp = df[['date_block_num','shop_id','item_id',col]]
    for i in lags:
        shifted = tmp.copy()
        shifted.columns = ['date_block_num','shop_id','item_id', col+'_lag_'+str(i)]
        shifted['date_block_num'] += i
        df = pd.merge(df, shifted, on=['date_block_num','shop_id','item_id'], how='left')
    return df

在使用他的代码运行失败后，我做了一些细微的修改以尝试减少内存使用量，然后我开始使用 google colab，因为它的内存比我的笔记本电脑多，所以这是我的代码：

def lag_feature(df, lags, col):
  df = dd.from_pandas(df, chunksize=1000)
  tmp = df[['date_block_num','shop_id','item_id',col]]
  for i in lags:
    shifted = tmp[tmp.date_block_num + i <= 34].copy()
    shifted.columns = ['date_block_num','shop_id','item_id', col+'_lag_'+str(i)]
    shifted['date_block_num'] += i
    df = dd.merge(df, shifted, on=['date_block_num','shop_id','item_id'], how='left')
  return df.compute()

但仍然使用太多内存，以至于我的代码使用了 10 Gb o 内存，谷歌为此函数调用提供了 10 Gb o 内存

sales_train = lag_feature(sales_train, [1, 2, 3, 12, 20], 'item_cnt_month')

有什么方法可以减少我的内存使用量？只是为了显示，这是我的数据框：

Int64Index: 2829445 entries, 0 to 3134798
Data columns (total 8 columns):
date                object
date_block_num      int8
item_cnt_day        float16
item_id             int16
item_price          float16
shop_id             int8
item_cnt_month      float16
item_category_id    int8
dtypes: float16(3), int16(1), int8(3), object(1)
memory usage: 152.9+ MB

只是为了添加更多信息，“date_block_num”列保留了一个数字，用于标识该功能发生的月份，我想要做的是将前一个月的一些数据放入该行。因此，如果我的延迟为 1，则意味着我想从一个月前获取数据框中每个产品的数据，并将其添加到名为“feature_lag_1”的另一列中。例如，使用这个数据框：

         date  date_block_num  item_cnt_day  item_id  item_price  shop_id  \
0  14.09.2013               8           1.0     2848        99.0       24   
1  14.09.2013               8           1.0     2848        99.0       24   
2  14.09.2013               8           1.0     2848        99.0       24   
3  01.09.2013               8           1.0     2848        99.0       24   
4  01.09.2013               8           1.0     2848        99.0       24   

   item_cnt_month  item_category_id
0             2.0                30
1             2.0                30 
2             2.0                30 
3             2.0                30 
4             2.0                30

还有这个函数调用：

sales_train = lag_feature(sales_train, [1], 'item_cnt_month')

我想要这个输出：

         date  date_block_num  item_cnt_day  item_id  item_price  shop_id  \
0  14.09.2013               8           1.0     2848        99.0       24   
1  14.09.2013               8           1.0     2848        99.0       24   
2  14.09.2013               8           1.0     2848        99.0       24   
3  01.09.2013               8           1.0     2848        99.0       24   
4  01.09.2013               8           1.0     2848        99.0       24   

   item_cnt_month  item_category_id  item_cnt_month_lag_1  
0             2.0                30                   3.0  
1             2.0                30                   3.0  
2             2.0                30                   3.0  
3             2.0                30                   3.0  
4             2.0                30                   3.0

【问题讨论】：

你能提供一个minimal reproducible example 你的数据和预期的输出吗？我不明白你为什么需要在这里合并。您也许可以只使用.shift 或简单地使用索引将新系列添加为在索引上自动对齐的列。
现在我只是在等着看 MRockilin 的答案是否有效，一旦完成处理，我可以发布更多详细信息，但如果有效，我可以尝试更好地描述它。只是我的笔记本还在处理中。
我做了一些更改，希望对您有所帮助，我会尽快添加示例。
@ALollz，如果有帮助，我已经添加了更多信息
您是否为此使用 Jupyter Notebook？

标签： python pandas memory dask

【解决方案1】：

您面临的内存问题可能是由于同一数据帧有多个（子）副本。在 pandas 中没有必要这样做，正如其他人指出的那样，.shift 函数可以实现您所需要的。

首先创建一个 pandas 数据框，它有两个商店，即 24 和 25。

df = pd.DataFrame({'shop_id':[24, 24, 24, 24, 24, 25, 25, 25, 25, 25],
                   'item_id': [2000, 2000, 2000, 3000, 3000, 1000, 1000, 1000, 1000, 1000], 
                   'date_block_num': [7, 8, 9, 7, 8, 5, 6, 7, 8, 9], 
                   'item_cnt_month': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]})

+-------+-------+--------------+--------------+
|shop_id|item_id|date_block_num|item_cnt_month|
+-------+-------+--------------+--------------+
|     24|   2000|             7|             1|
|     24|   2000|             8|             2|
|     24|   2000|             9|             3|
|     24|   3000|             7|             4|
|     24|   3000|             8|             5|
|     25|   1000|             5|             6|
|     25|   1000|             6|             7|
|     25|   1000|             7|             8|
|     25|   1000|             8|             9|
|     25|   1000|             9|            10|
+-------+-------+--------------+--------------+

在 24 号商店，有物品 2000 和 3000。

日期块 7 中有 1 个项目 2000，日期块 8 中有 2 个计数，等等。

目标是为该商店中的该商品创建一个 item_cnt_month 滞后列，该列在 n 个月前具有 item_cnt_month 的值。

要创建滞后功能，您可以使用以下功能。

def lag_features(df, lags, group_cols, shift_col):
    """
    Arguments:
        df (pd.DataFrame)
        lags (list((int)): the number of months to lag by
        group_cols (list(str)): the list of columns that need to be the merged key
        shift_col (str): the column name that is to be shifted by
    """

    for lag in lags:
        new_col = '{0}_lag_{1}'.format(shift_col, lag)
        df[new_col] = df.groupby(group_cols)[shift_col].shift(lag)

    return df

通过调用

lags = [1, 2]
group_cols = ['shop_id', 'item_id']
shift_col = 'item_cnt_month'
order_col = 'date_block_num' 

df = df.sort_values(by=group_cols+[order_col], ascending=True)
df = lag_features(df, lags, group_cols, shift_col)

结果是这样的：

+-------+-------+--------------+--------------+--------------------+--------------------+
|shop_id|item_id|date_block_num|item_cnt_month|item_cnt_month_lag_1|item_cnt_month_lag_2|
+-------+-------+--------------+--------------+--------------------+--------------------+
|     24|   2000|             7|             1|                 NaN|                 NaN|
|     24|   2000|             8|             2|                 1.0|                 NaN|
|     24|   2000|             9|             3|                 2.0|                 1.0|
|     24|   3000|             7|             4|                 NaN|                 NaN|
|     24|   3000|             8|             5|                 4.0|                 NaN|
|     25|   1000|             5|             6|                 NaN|                 NaN|
|     25|   1000|             6|             7|                 6.0|                 NaN|
|     25|   1000|             7|             8|                 7.0|                 6.0|
|     25|   1000|             8|             9|                 8.0|                 7.0|
|     25|   1000|             9|            10|                 9.0|                 8.0|
+-------+-------+--------------+--------------+--------------------+--------------------+

请注意，由于没有显式连接，因此您需要使用 .sort_values(all key columns and date column) 正确排序数据帧

【讨论】：

【解决方案2】：

调用 df.compute() 会将您的完整结果转换为 Pandas 数据框，因此如果您的结果不适合内存，那么 Dask 将无法帮助您。

相反，更常见的是不调用计算，而是最终计算某种非常适合内存的聚合，或者，如果您需要完整的数据帧，则使用df.to_parquet()之类的东西将其写入磁盘

【讨论】：

这还是占用了太多的内存太长了，难道没有别的办法吗？最终的数据框不应该使用那么多内存，只是多一列

【解决方案3】：

该函数可以在 Python 3.6+ 中重写如下（需要先对数据框进行预排序）：

df = df.sort_values(['date_block_num']).reset_index(drop=True)

def lag_feature(df, lags, col):
    key_columns = ['shop_id', 'item_id']
    for lag in lags:
        all_but_col = list(df.columns.difference([col]))
        df[f'{col}_lag_{lag}'] = (df.set_index(all_but_col)
                                    .groupby(level=key_columns)
                                    .shift(lag)
                                    .reset_index(drop=True))
    return df

【讨论】：