Pandas数据帧-选择行并清除内存？

Question

我有一个大熊猫数据框（大小=3 GB）：

x = read.table('big_table.txt', sep='\t', header=0, index_col=0)

因为我是在内存限制下工作的，所以我对数据帧进行了子集：

rows = calculate_rows() # a function that calculates what rows I need

cols = calculate_cols() # a function that calculates what cols I need

x = x.ix[rows, cols]

计算行和列的函数并不重要，但它们绝对是原始行和列的较小子集。但是，当我做这个操作时，内存使用量会增加很多！最初的目标是将内存占用缩减到小于3GB，但实际上，内存使用量远远超过6GB。

我猜这是因为Python在内存中创建了一个dataframe的本地副本，但没有清理它。可能还有其他事情正在发生。。。所以我的问题是，如何对一个大数据帧进行子集并清理空间？找不到就地选择行/列的函数。

我读过很多关于堆栈溢出的文章，但在这个主题上找不到太多。可能是我没有使用正确的关键字，所以如果你有建议，那也会有帮助。谢谢！

Answer 1

你最好这样做：

指定usecols以子选择首先要read_csv的列，请参见here。

然后分块读取文件，请参见here，如果要选择的行是select，则将它们分流到off，最后将结果连接起来。

伪代码ish：

reader = pd.read_csv('big_table.txt', sep='\t', header=0, 
                     index_col=0, usecols=the_columns_i_want_to_use, 
                     chunksize=10000)

df = pd.concat([ chunk.ix[rows_that_I_want_] for chunk in reader ])

这将有一个恒定的内存使用量（块的大小）

加上所选行的用法x 2，这将在浓缩行时发生 在concat之后，用法将下降到所选行用法