合并pandas数据帧占用了太多内存

Question

我正在做this Kaggle competition作为我所学课程的最后一个项目，为此，我试图复制this notebook，但他使用了一个函数来获取滞后特性，这对我来说占用了太多内存。这是他的密码：

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

在用他的代码运行失败后，我做了一些小的修改，试图减少内存使用量，我开始使用google colab，因为它的内存比我的笔记本电脑多，所以我的代码如下：

^{pr2}$

但是仍然使用了太多的内存，以至于我的代码使用了google为这个函数调用提供的10gbo内存

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

有没有办法可以减少我的内存使用？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

为了添加更多信息，列'date_block_num'保留了一个数字，用来标识该功能发生的月份，我要做的是将上个月的一些数据放入该行。因此，如果我的延迟为1，意味着我要从一个月前的数据中获取数据，并将其添加到另一个名为“feature_lag_1”的列中。例如，对于此数据帧：

         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

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  

Answer 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，正如其他人所指出的，.shift函数可以实现您需要的功能。在

首先创建一个pandas数据帧，它有两个商店，即24和25。在

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|
+   -+   -+       +       +

24号店有2000号和3000号。在

在数据块7中有1个项目2000的计数，在数据块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 lag列，该列的值为item_cnt_month n个月前。在

要创建滞后特性，可以使用下面的函数。在

^{pr2}$

通过打电话

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：

+   -+   -+       +       +          +          +
|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，由于没有显式联接，因此需要使用.sort_values(all key columns and date column)对数据帧进行正确的排序

Answer 2

函数可以用python3.6+重写，如下所示（要求先对数据帧进行预排序）：

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

Answer 3

调用df.compute()将您的完整结果转换为Pandas数据帧，因此如果您的结果不适合内存，那么Dask在这里对您没有帮助。在

相反，更常见的情况是不调用compute，而是最终计算某种适合内存的聚合，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