Question

我搜索了几乎所有的互联网，不知何故，这些方法似乎都不适用于我的情况。

我有两个大的csv文件（每个文件有一百万+行，大小约为300-400MB）。它们使用 read_csv 函数正确加载到数据框中，而无需使用 chunksize 参数。我甚至对这些数据进行了一些小的操作，比如新的列生成，过滤等等。

但是，当我尝试合并这两个帧时，我得到一个 MemoryError 。我甚至尝试使用SQLite来完成合并，但是徒劳无功。这项行动需要永远。

我是一台装有8GB RAM的Windows 7 PC。 Python版本是2.7

谢谢。

编辑：我也试过了分块方法。当我这样做时，我没有得到MemoryError，但RAM使用率爆炸，我的系统崩溃。

Answer 1

使用pandas.merge合并数据时，它将使用df1内存，df2内存和merge_df内存。我相信这就是你得到内存错误的原因。您应该将df2导出到csv文件并使用chunksize选项并合并数据。

这可能是一种更好的方式，但你可以试试这个。 *对于大型数据集，您可以在pandas.read_csv中使用chunksize选项

df1 = pd.read_csv("yourdata.csv")
df2 = pd.read_csv("yourdata2.csv")
df2_key = df2.Colname2

# creating a empty bucket to save result
df_result = pd.DataFrame(columns=(df1.columns.append(df2.columns)).unique())
df_result.to_csv("df3.csv",index_label=False)

# save data which only appear in df1 # sorry I was doing left join here. no need to run below two line.
# df_result = df1[df1.Colname1.isin(df2.Colname2)!=True]
# df_result.to_csv("df3.csv",index_label=False, mode="a")

# deleting df2 to save memory
del(df2)

def preprocess(x):
    df2=pd.merge(df1,x, left_on = "Colname1", right_on = "Colname2")
    df2.to_csv("df3.csv",mode="a",header=False,index=False)

reader = pd.read_csv("yourdata2.csv", chunksize=1000) # chunksize depends with you colsize

[preprocess(r) for r in reader]

这会将合并数据保存为df3。

Answer 2

获得MemoryError: Unable to allocate..的原因可能是由于数据框中的重复项或空白。检查您要加入的列（使用合并时），查看是否有重复或空白。如果是这样，请使用以下命令清除它们：

df.drop_duplicates(subset ='column_name', keep = False, inplace = True)

然后重新运行您的python / pandas代码。这对我有用。

Answer 3

@T_cat建议的一般块版本效果很好。

但是，内存爆炸可能是由于联接具有Nan值的列而引起的。因此，您可能要从联接中排除那些行。

请参阅：https://github.com/pandas-dev/pandas/issues/24698#issuecomment-614347153

Answer 4

也许左边的数据框在合并列中有 NaN，这会导致最终合并的数据框膨胀。

如果没问题，用零填充左侧数据框中的合并列。

df['left_column'] = df['left_column'].fillna(0)

然后进行合并。看看你得到了什么。

合并两个Pandas数据帧时的MemoryError

4 个答案: