Question

我有三个我正在尝试连接的DataFrame。

concat_df = pd.concat([df1, df2, df3])

这会导致MemoryError。我该如何解决这个问题？

请注意，大多数现有的类似问题都是在读取大文件时发生的MemoryErrors上。我没有那个问题。我已将我的文件读入DataFrames。我无法连接这些数据。

Answer 1

我建议您通过连接将数据帧放入单个csv文件中。然后阅读你的csv文件。

执行：

# 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')

如果此解决方案不具备执行性能，则需要连接比通常更大的文件。做：

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

然后运行bash命令：

cat file1.csv >> file.csv
cat file2.csv >> file.csv
cat file3.csv >> file.csv

或者python中的concat csv文件：

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')

阅读后：

df = pd.read_csv('file.csv')

Answer 2

与@glegoux建议的类似，pd.DataFrame.to_csv也可以写入附加模式，因此您可以执行以下操作：

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)

Answer 3

问题是，就像在其他答案中看到的那样，存在记忆问题。解决方案是将数据存储在磁盘上，然后构建一个独特的数据帧。

如此庞大的数据，性能就成了问题。

csv解决方案非常慢，因为在文本模式下进行转换。自使用二进制模式以来，HDF5解决方案更短，更优雅，更快。我提出了二进制模式的第三种方式，pickle，它看起来更快，但更具技术性，需要更多空间。第四，手工。

这里是代码：

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

更好的解决方案：

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

对于同构数据帧，我们可以做得更好：

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

对一些（少量，32 Mb）数据进行一些测试以比较性能。对于4 Gb，你必须乘以大约128。

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

支票：

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

当然，所有这一切都必须进行改进和调整，以适应您的问题。

例如，df3可以拆分为大小的总计＆quot; total_memory_size - df_total_size＆＃39;能够运行bypickle。

如果您想要提供有关数据结构和大小的更多信息，我可以编辑它。美丽的问题！

Answer 4

有点在这里猜测，但也许：

df1 = pd.concat([df1,df2])
del df2
df1 = pd.concat([df1,df3])
del df3

显然，你可以做更多的循环，但关键是你要删除df2，df3等。正如您在问题中所做的那样，您永远不会清除旧数据帧，因此您使用的内存大约是您需要的内存的两倍。

更一般地说，如果你正在阅读和连接，我会这样做（如果你有3个CSV：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] )

换句话说，当您正在读取文件时，您只会暂时将小数据帧保留在内存中，直到将它们连接到组合的df，concat_df中。正如您目前所做的那样，即使在连接它们之后，您仍然会保留所有较小的数据帧。

Answer 5

Dask可能是尝试处理大型数据帧的不错选择 - 浏览Dask Docs

Answer 6

您可以将个人数据框存储在HDF Store中，然后像一个大数据框一样调用商店。

# 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)

Answer 7

我很感谢社区的回答。但是，在我的情况下，我发现问题实际上是由于我使用的是32位Python。

为Windows 32和64位操作系统定义了memory limits。对于32位进程，它只有2 GB。因此，即使您的RAM超过2GB，即使您运行的是64位操作系统，但是您运行的是32位进程，那么该进程将仅限于2 GB的RAM - 在我的情况下，该进程是Python。

我升级到64位Python，从那以后没有出现内存错误！

其他相关问题包括：Python 32-bit memory limits on 64bit windows，Should I use Python 32bit or Python 64bit，Why is this numpy array too big to load?

Answer 8

另一种选择：

1）将df1写入.csv文件：df1.to_csv('Big file.csv')

2）打开.csv文件，然后附加df2：

with open('Big File.csv','a') as f:
    df2.to_csv(f, header=False)

3）用df3

重复步骤2

with open('Big File.csv','a') as f:
    df3.to_csv(f, header=False)

Answer 9

在尝试将大量DataFrame连接到“不断增长的”DataFrame时，我遇到了类似的性能问题。

我的解决方法是将所有子DataFrame追加到列表中，然后在完成子DataFrames的处理后连接DataFrames列表。这将使运行时间几乎减半。

Answer 10

在写入硬盘时，df.to_csv会为columns=False引发错误。

以下解决方案可以正常工作：

# write df1 to hard disk as file.csv
train1.to_csv('file.csv', index=False)
# append df2 to file.csv
train2.to_csv('file.csv', mode='a', header=False, index=False)
# read the appended csv as df
train = pd.read_csv('file.csv')

如何连接多个pandas.DataFrames而不会遇到MemoryError

10 个答案: