Question

我想在不复制数据的情况下连接两个pandas DataFrame。也就是说，我希望连接的DataFrame是两个原始DataFrame中数据的视图。我尝试使用concat（），但没有用。此代码块显示更改基础数据会影响连接的两个DataFrame，但不会影响连接的DataFrame：

arr = np.random.randn(12).reshape(6, 2)
df = pd.DataFrame(arr, columns = ('VALE5', 'PETR4'), index = dates)
arr2 = np.random.randn(12).reshape(6, 2)
df2 = pd.DataFrame(arr, columns = ('AMBV3', 'BBDC4'), index = dates)
df_concat = pd.concat(dict(A = df, B = df2),axis=1)
pp(df)
pp(df_concat)
arr[0, 0] = 9999999.99
pp(df)
pp(df_concat)

这是最后五行的输出。 df在为arr [0,0]分配新值后更改; df_concat没有受到影响。

In [56]: pp(df)
           VALE5     PETR4
2013-01-01 -0.557180  0.170073
2013-01-02 -0.975797  0.763136
2013-01-03 -0.913254  1.042521
2013-01-04 -1.973013 -2.069460
2013-01-05 -1.259005  1.448442
2013-01-06 -0.323640  0.024857

In [57]: pp(df_concat)
               A                   B          
           VALE5     PETR4     AMBV3     BBDC4
2013-01-01 -0.557180  0.170073 -0.557180  0.170073
2013-01-02 -0.975797  0.763136 -0.975797  0.763136
2013-01-03 -0.913254  1.042521 -0.913254  1.042521
2013-01-04 -1.973013 -2.069460 -1.973013 -2.069460
2013-01-05 -1.259005  1.448442 -1.259005  1.448442
2013-01-06 -0.323640  0.024857 -0.323640  0.024857

In [58]: arr[0, 0] = 9999999.99

In [59]: pp(df)
                 VALE5     PETR4
2013-01-01  9999999.990000  0.170073
2013-01-02       -0.975797  0.763136
2013-01-03       -0.913254  1.042521
2013-01-04       -1.973013 -2.069460
2013-01-05       -1.259005  1.448442
2013-01-06       -0.323640  0.024857

In [60]: pp(df_concat)
               A                   B          
           VALE5     PETR4     AMBV3     BBDC4
2013-01-01 -0.557180  0.170073 -0.557180  0.170073
2013-01-02 -0.975797  0.763136 -0.975797  0.763136
2013-01-03 -0.913254  1.042521 -0.913254  1.042521
2013-01-04 -1.973013 -2.069460 -1.973013 -2.069460
2013-01-05 -1.259005  1.448442 -1.259005  1.448442
2013-01-06 -0.323640  0.024857 -0.323640  0.024857

我猜这意味着concat（）创建了一个数据副本。有没有办法避免复制？（我想减少内存使用量。）

此外，是否有一种快速方法可以检查两个DataFrame是否链接到相同的基础数据？（除了经历更改数据和检查每个DataFrame是否已更改的麻烦之外）

感谢您的帮助。

FS

Answer 1

你不能（至少很容易）。当您致电concat时，最终会调用np.concatenate。

见this answer explaining why you can't concatenate arrays without copying。缺点是数组不保证在内存中是连续的。

这是一个简单的例子

a = rand(2, 10)
x, y = a
z = vstack((x, y))
print 'x.base is a and y.base is a ==', x.base is a and y.base is a
print 'x.base is z or y.base is z ==', x.base is z or y.base is z

输出：

x.base is a and y.base is a == True
x.base is z or y.base is z == False

即使x和y共享相同的base，即a，concatenate（因而vstack）也不能假设他们因为人们经常想要连接任意跨越的数组。

您可以轻松生成两个具有不同步幅的数组，共享相同的内存，如下所示：

a = arange(10)
b = a[::2]
print a.strides
print b.strides

输出：

(8,)
(16,)

这就是为什么会发生以下情况：

In [214]: a = arange(10)

In [215]: a[::2].view(int16)
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-215-0366fadb1128> in <module>()
----> 1 a[::2].view(int16)

ValueError: new type not compatible with array.

In [216]: a[::2].copy().view(int16)
Out[216]: array([0, 0, 0, 0, 2, 0, 0, 0, 4, 0, 0, 0, 6, 0, 0, 0, 8, 0, 0, 0], dtype=int16)

编辑：当pd.merge(df1, df2, copy=False)无法复制时，使用df1.merge(df2, copy=False)（或df1.dtype != df2.dtype）。否则，会复制一份。

如何在不复制数据的情况下连接pandas DataFrame？

1 个答案: