Question

我需要保存一个带有两列单词嵌入（Word2Vec）的熊猫数据帧，它们分别存储为dim（1300，300）的ndarray，一个字符串和另一个具有该字符串的热表示形式的数组。

TYPE    content   title one_hot_label
------------------------------------------------------------
happy   [[-0.25195312, 0.13085938, 0.05053711, -0.0417... [[0.12792969, -0.055908203, 0.011230469, 0.283... [0, 1, 0]
sad     [[-0.25195312, 0.13085938, 0.05053711, -0.0417... [[0.12792969, -0.055908203, 0.011230469, 0.283... [0, 1, 0]
happy   [[-0.25195312, 0.13085938, 0.05053711, -0.0417... [[0.12792969,-0.055908203, 0.011230469, 0.283...  [0, 1, 0]
sad     [[-0.25195312, 0.13085938, 0.05053711, -0.0417... [[0.12792969, -0.055908203, 0.011230469, 0.283... [0, 1, 0]
...
...
...

我需要将其保留在驱动器中。我尝试对其进行序列化（df.to_picke），只要条目数很少，就可以很好地工作。 CSV（df.to_csv）在Numpy数组列中添加了省略号，而to_hdf给了我溢出错误。

有什么方法可以用这种结构保存大型数据集吗？

编辑

致电df.memory_usage(deep=True)给我：

Index 23840 type 244425 content 5447697600 title 62976000 one_hot_label 309920 dtype: int64

编辑2

您能给我另一种结构来创建此嵌入数据集吗？

谢谢

Answer 1

您可以使用此功能减小数据大小。

def reduce_mem_usage(self, df, verbose=True):
    numerics = ['int16', 'int32', 'int64', 'float16', 'float32', 'float64']
    start_mem = df.memory_usage().sum() / 1024**2
    for col in df.columns:
        col_type = df[col].dtypes
        if col_type in numerics:
            c_min = df[col].min()
            c_max = df[col].max()
            if str(col_type)[: 3] == 'int':
                if c_min > np.iinfo(np.int8).min and c_max < np.iinfo(np.int8).max:
                    df.loc[:, col] = df[col].astype(np.int8)
                elif c_min > np.iinfo(np.int16).min and c_max < np.iinfo(np.int16).max:
                    df.loc[:, col] = df[col].astype(np.int16)
                elif c_min > np.iinfo(np.int32).min and c_max < np.iinfo(np.int32).max:
                    df.loc[:, col] = df[col].astype(np.int32)
                elif c_min > np.iinfo(np.int64).min and c_max < np.iinfo(np.int64).max:
                    df.loc[:, col] = df[col].astype(np.int64)
            else:
                if c_min > np.finfo(np.float16).min and c_max < np.finfo(np.float16).max:
                    df.loc[:, col] = df[col].astype(np.float16)
                elif c_min > np.finfo(np.float32).min and c_max < np.finfo(np.float32).max:
                    df.loc[:, col] = df[col].astype(np.float32)
                else:
                    df.loc[:, col] = df[col].astype(np.float64)
    end_mem = df.memory_usage().sum() / 1024**2
    if verbose:
        print('Mem. usage decreased to {:5.2f} Mb ({:.1f}% reduction)'.format(end_mem, 100 * (start_mem - end_mem) / start_mem))
    return df

在单元格中使用ndarray保存熊猫数据框

1 个答案: