合并两个 Pandas 数据帧时出现 MemoryError

Question

我几乎在整个互联网上进行了搜索，不知何故 none 的方法似乎对我有用。

我有两个大型 csv 文件（每个文件有一百万行以上，大小约为 300-400MB）。他们使用 read_csv 函数可以很好地加载到数据帧中，而无需使用 chunksize 参数。我什至对这些数据执行了一些小操作，如新列生成、过滤等。

但是，当我尝试合并这两个帧时，出现 MemoryError。我什至尝试过使用 SQLite 来完成合并，但没有成功。手术需要很长时间。

我的是 Windows 7 PC，内存为 8GB。 Python 版本为 2.7

谢谢。

编辑：我也尝试过分块方法。当我这样做时，我没有收到 MemoryError，但 RAM 使用量激增并且我的系统崩溃了。

Answer 1

当您使用 pandas.merge 合并数据时，它将使用 df1 内存、df2 内存和 merge_df 内存。我相信这就是您出现内存错误的原因。您应该将 df2 导出到 csv 文件并使用 chunksize 选项并合并数据。

这可能是更好的方法，但您可以试试这个。 *对于大型数据集，您可以使用 pandas.read_csv

中的 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]

这会将合并后的数据保存为 df3。

Answer 2

@T_cat 建议的一般块版本效果很好。

但是，内存爆炸可能是由连接具有 Nan 值的列引起的。因此，您可能希望从连接中排除这些行。

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

Answer 3

您可能得到 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），看看是否有重复项或空白。如果是这样，请使用此命令摆脱它们：

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

然后重新运行你的python/pandas代码。这对我有用。

Answer 4

可能左侧数据框的合并列中有 NaN，导致最终合并后的数据框膨胀。

如果可以，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 数据帧时出现 MemoryError

MemoryError when I merge two Pandas data frames

python

merge

out-of-memory

pandas