pandas 是一個(gè) Python 軟件庫(kù)，可用于數(shù)據(jù)操作和分析。數(shù)據(jù)科學(xué)博客 Dataquest.io 發(fā)布了一篇關(guān)于如何優(yōu)化 pandas 內(nèi)存占用的教程：僅需進(jìn)行簡(jiǎn)單的數(shù)據(jù)類型轉(zhuǎn)換，就能夠?qū)⒁粋€(gè)棒球比賽數(shù)據(jù)集的內(nèi)存占用減少了近 90%，機(jī)器之心對(duì)本教程進(jìn)行了編譯介紹。

當(dāng)使用 pandas 操作小規(guī)模數(shù)據(jù)（低于 100 MB）時(shí)，性能一般不是問(wèn)題。而當(dāng)面對(duì)更大規(guī)模的數(shù)據(jù)（100 MB 到數(shù) GB）時(shí)，性能問(wèn)題會(huì)讓運(yùn)行時(shí)間變得更漫長(zhǎng)，而且會(huì)因?yàn)閮?nèi)存不足導(dǎo)致運(yùn)行完全失敗。

盡管 Spark 這樣的工具可以處理大型數(shù)據(jù)集（100 GB 到數(shù) TB），但要完全利用它們的能力，往往需要更加昂貴的硬件。而且和 pandas 不同，它們?nèi)鄙儇S富的用于高質(zhì)量數(shù)據(jù)清理、探索和分析的功能集。對(duì)于中等規(guī)模的數(shù)據(jù)，我們最好能更充分地利用 pandas，而不是換成另一種工具。

在這篇文章中，我們將了解 pandas 的內(nèi)存使用，以及如何只需通過(guò)為列選擇合適的數(shù)據(jù)類型就能將 dataframe 的內(nèi)存占用減少近 90%。

處理棒球比賽日志

我們將處理 130 年之久的美國(guó)職業(yè)棒球大聯(lián)盟（MLB）比賽數(shù)據(jù)，這些數(shù)據(jù)來(lái)自 Retrosheet：http://www.retrosheet.org/gamelogs/index.html。

這些數(shù)據(jù)原來(lái)分成了 127 個(gè)不同的 CSV 文件，但我們已經(jīng)使用 csvkit 合并了這些數(shù)據(jù)，并在第一行增加了列名稱。如果你想下載本文所用的這個(gè)數(shù)據(jù)版本，請(qǐng)?jiān)L問(wèn)：https://data.world/dataquest/mlb-game-logs。

讓我們首先導(dǎo)入數(shù)據(jù)，并看看其中的前五行：

下面我們總結(jié)了一些重要的列，但如果你想了解所有的列，我們也為整個(gè)數(shù)據(jù)集創(chuàng)建了一個(gè)數(shù)據(jù)詞典：https://data.world/dataquest/mlb-game-logs/workspace/data-dictionary。

• date - 比賽時(shí)間
• v_name - 客隊(duì)名
• v_league - 客隊(duì)聯(lián)盟
• h_name - 主隊(duì)名
• h_league - 主隊(duì)聯(lián)盟
• v_score - 客隊(duì)得分
• h_score - 主隊(duì)得分
• v_line_score - 客隊(duì)每局得分排列，例如：010000(10)00.
• h_line_score - 主隊(duì)每局得分排列，例如：010000(10)0X.
• park_id - 比賽舉辦的球場(chǎng)名
• attendance- 比賽觀眾

我們可以使用 DataFrame.info() 方法為我們提供關(guān)于 dataframe 的高層面信息，包括它的大小、數(shù)據(jù)類型的信息和內(nèi)存使用情況。

默認(rèn)情況下，pandas 會(huì)近似 dataframe 的內(nèi)存用量以節(jié)省時(shí)間。因?yàn)槲覀円碴P(guān)心準(zhǔn)確度，所以我們將 memory_usage 參數(shù)設(shè)置為 'deep'，以便得到準(zhǔn)確的數(shù)字。

我們可以看到，我們有 171,907 行和 161 列。pandas 會(huì)自動(dòng)為我們檢測(cè)數(shù)據(jù)類型，發(fā)現(xiàn)其中有 83 列數(shù)據(jù)是數(shù)值，78 列是 object。object 是指有字符串或包含混合數(shù)據(jù)類型的情況。

為了更好地理解如何減少內(nèi)存用量，讓我們看看 pandas 是如何將數(shù)據(jù)存儲(chǔ)在內(nèi)存中的。

dataframe 的內(nèi)部表示

在 pandas 內(nèi)部，同樣數(shù)據(jù)類型的列會(huì)組織成同一個(gè)值塊（blocks of values）。這里給出了一個(gè)示例，說(shuō)明了 pandas 對(duì)我們的 dataframe 的前 12 列的存儲(chǔ)方式。

你可以看到這些塊并沒有保留原有的列名稱。這是因?yàn)檫@些塊為存儲(chǔ) dataframe 中的實(shí)際值進(jìn)行了優(yōu)化。pandas 的 BlockManager 類則負(fù)責(zé)保留行列索引與實(shí)際塊之間的映射關(guān)系。它可以作為一個(gè) API 使用，提供了對(duì)底層數(shù)據(jù)的訪問(wèn)。不管我們何時(shí)選擇、編輯或刪除這些值，dataframe 類和 BlockManager 類的接口都會(huì)將我們的請(qǐng)求翻譯成函數(shù)和方法的調(diào)用。

在 pandas.core.internals 模塊中，每一種類型都有一個(gè)專門的類。pandas 使用 ObjectBlock 類來(lái)表示包含字符串列的塊，用 FloatBlock 類表示包含浮點(diǎn)數(shù)列的塊。對(duì)于表示整型數(shù)和浮點(diǎn)數(shù)這些數(shù)值的塊，pandas 會(huì)將這些列組合起來(lái)，存儲(chǔ)成 NumPy ndarray。NumPy ndarray 是圍繞 C 語(yǔ)言的數(shù)組構(gòu)建的，其中的值存儲(chǔ)在內(nèi)存的連續(xù)塊中。這種存儲(chǔ)方案使得對(duì)值的訪問(wèn)速度非?？?。

因?yàn)槊糠N數(shù)據(jù)類型都是分開存儲(chǔ)的，所以我們將檢查不同數(shù)據(jù)類型的內(nèi)存使用情況。首先，我們先來(lái)看看各個(gè)數(shù)據(jù)類型的平均內(nèi)存用量。

可以看出，78 個(gè) object 列所使用的內(nèi)存量最大。我們后面再具體談這個(gè)問(wèn)題。首先我們看看能否改進(jìn)數(shù)值列的內(nèi)存用量。

理解子類型（subtype）

正如我們前面簡(jiǎn)單提到的那樣，pandas 內(nèi)部將數(shù)值表示為 NumPy ndarrays，并將它們存儲(chǔ)在內(nèi)存的連續(xù)塊中。這種存儲(chǔ)模式占用的空間更少，而且也讓我們可以快速訪問(wèn)這些值。因?yàn)?pandas 表示同一類型的每個(gè)值時(shí)都使用同樣的字節(jié)數(shù)，而 NumPy ndarray 可以存儲(chǔ)值的數(shù)量，所以 pandas 可以快速準(zhǔn)確地返回一個(gè)數(shù)值列所消耗的字節(jié)數(shù)。

pandas 中的許多類型都有多個(gè)子類型，這些子類型可以使用更少的字節(jié)來(lái)表示每個(gè)值。比如說(shuō) float 類型就包含 float16、float32 和 float64 子類型。類型名稱中的數(shù)字就代表該類型表示值的位（bit）數(shù)。比如說(shuō)，我們剛剛列出的子類型就分別使用了 2、4、8、16 個(gè)字節(jié)。下面的表格給出了 pandas 中最常用類型的子類型：

一個(gè) int8 類型的值使用 1 個(gè)字節(jié)的存儲(chǔ)空間，可以表示 256（2^8）個(gè)二進(jìn)制數(shù)。這意味著我們可以使用這個(gè)子類型來(lái)表示從 -128 到 127（包括 0）的所有整數(shù)值。

我們可以使用 numpy.iinfo 類來(lái)驗(yàn)證每個(gè)整型數(shù)子類型的最大值和最小值。舉個(gè)例子：

這里我們可以看到 uint（無(wú)符號(hào)整型）和 int（有符號(hào)整型）之間的差異。這兩種類型都有一樣的存儲(chǔ)能力，但其中一個(gè)只保存 0 和正數(shù)。無(wú)符號(hào)整型讓我們可以更有效地處理只有正數(shù)值的列。

使用子類型優(yōu)化數(shù)值列

我們可以使用函數(shù) pd.to_numeric() 來(lái)對(duì)我們的數(shù)值類型進(jìn)行 downcast（向下轉(zhuǎn)型）操作。我們會(huì)使用 DataFrame.select_dtypes 來(lái)選擇整型列，然后我們會(huì)對(duì)其數(shù)據(jù)類型進(jìn)行優(yōu)化，并比較內(nèi)存用量。

我們可以看到內(nèi)存用量從 7.9 MB 下降到了 1.5 MB，降低了 80% 以上。但這對(duì)我們?cè)?dataframe 的影響并不大，因?yàn)槠渲械恼土蟹浅Ｉ佟?/p>

讓我們對(duì)其中的浮點(diǎn)型列進(jìn)行一樣的操作。

我們可以看到浮點(diǎn)型列的數(shù)據(jù)類型從 float64 變成了 float32，讓內(nèi)存用量降低了 50%。

讓我們?yōu)樵?dataframe 創(chuàng)建一個(gè)副本，并用這些優(yōu)化后的列替換原來(lái)的列，然后看看我們現(xiàn)在的整體內(nèi)存用量。

盡管我們極大地減少了數(shù)值列的內(nèi)存用量，但整體的內(nèi)存用量?jī)H減少了 7%。我們的大部分收獲都將來(lái)自對(duì) object 類型的優(yōu)化。

在我們開始行動(dòng)之前，先看看 pandas 中字符串的存儲(chǔ)方式與數(shù)值類型的存儲(chǔ)方式的比較。

數(shù)值存儲(chǔ)與字符串存儲(chǔ)的比較

object 類型表示使用 Python 字符串對(duì)象的值，部分原因是 NumPy 不支持缺失（missing）字符串類型。因?yàn)?Python 是一種高級(jí)的解釋性語(yǔ)言，它對(duì)內(nèi)存中存儲(chǔ)的值沒有細(xì)粒度的控制能力。

這一限制導(dǎo)致字符串的存儲(chǔ)方式很碎片化，從而會(huì)消耗更多內(nèi)存，而且訪問(wèn)速度也更慢。object 列中的每個(gè)元素實(shí)際上都是一個(gè)指針，包含了實(shí)際值在內(nèi)存中的位置的「地址」。

下面這幅圖給出了以 NumPy 數(shù)據(jù)類型存儲(chǔ)數(shù)值數(shù)據(jù)和使用 Python 內(nèi)置類型存儲(chǔ)字符串?dāng)?shù)據(jù)的方式。

圖片來(lái)源：https://jakevdp.github.io/blog/2014/05/09/why-python-is-slow/

在前面的表格中，你可能已經(jīng)注意到 object 類型的內(nèi)存使用是可變的。盡管每個(gè)指針僅占用 1 字節(jié)的內(nèi)存，但如果每個(gè)字符串在 Python 中都是單獨(dú)存儲(chǔ)的，那就會(huì)占用實(shí)際字符串那么大的空間。我們可以使用 sys.getsizeof() 函數(shù)來(lái)證明這一點(diǎn)，首先查看單個(gè)的字符串，然后查看 pandas series 中的項(xiàng)。

你可以看到，當(dāng)存儲(chǔ)在 pandas series 時(shí)，字符串的大小與用 Python 單獨(dú)存儲(chǔ)的字符串的大小是一樣的。

使用 Categoricals 優(yōu)化 object 類型

pandas 在 0.15 版引入了 Categorials。category 類型在底層使用了整型值來(lái)表示一個(gè)列中的值，而不是使用原始值。pandas 使用一個(gè)單獨(dú)的映射詞典將這些整型值映射到原始值。只要當(dāng)一個(gè)列包含有限的值的集合時(shí)，這種方法就很有用。當(dāng)我們將一列轉(zhuǎn)換成 category dtype 時(shí)，pandas 就使用最節(jié)省空間的 int 子類型來(lái)表示該列中的所有不同值。

為了了解為什么我們可以使用這種類型來(lái)減少內(nèi)存用量，讓我們看看我們的 object 類型中每種類型的不同值的數(shù)量。

上圖完整圖像詳見原文

大概看看就能發(fā)現(xiàn)，對(duì)于我們整個(gè)數(shù)據(jù)集的 172,000 場(chǎng)比賽，其中不同（unique）值的數(shù)量可以說(shuō)非常少。

為了了解當(dāng)我們將其轉(zhuǎn)換成 categorical 類型時(shí)究竟發(fā)生了什么，我們拿出一個(gè) object 列來(lái)看看。我們將使用數(shù)據(jù)集的第二列 day_of_week.

看看上表，可以看到其僅包含 7 個(gè)不同的值。我們將使用 .astype() 方法將其轉(zhuǎn)換成 categorical 類型。

如你所見，除了這一列的類型發(fā)生了改變之外，數(shù)據(jù)看起來(lái)還是完全一樣。讓我們看看這背后發(fā)生了什么。

在下面的代碼中，我們使用了 Series.cat.codes 屬性來(lái)返回 category 類型用來(lái)表示每個(gè)值的整型值。

你可以看到每個(gè)不同值都被分配了一個(gè)整型值，而該列現(xiàn)在的基本數(shù)據(jù)類型是 int8。這一列沒有任何缺失值，但就算有，category 子類型也能處理，只需將其設(shè)置為 -1 即可。

最后，讓我們看看在將這一列轉(zhuǎn)換為 category 類型前后的內(nèi)存用量對(duì)比。

9.8 MB 的內(nèi)存用量減少到了 0.16 MB，減少了 98%！注意，這個(gè)特定列可能代表了我們最好的情況之一——即大約 172,000 項(xiàng)卻只有 7 個(gè)不同的值。

盡管將所有列都轉(zhuǎn)換成這種類型聽起來(lái)很吸引人，但了解其中的取舍也很重要。最大的壞處是無(wú)法執(zhí)行數(shù)值計(jì)算。如果沒有首先將其轉(zhuǎn)換成數(shù)值 dtype，那么我們就無(wú)法對(duì) category 列進(jìn)行算術(shù)運(yùn)算，也就是說(shuō)無(wú)法使用 Series.min() 和 Series.max() 等方法。

我們應(yīng)該堅(jiān)持主要將 category 類型用于不同值的數(shù)量少于值的總數(shù)量的 50% 的 object 列。如果一列中的所有值都是不同的，那么 category 類型所使用的內(nèi)存將會(huì)更多。因?yàn)檫@一列不僅要存儲(chǔ)所有的原始字符串值，還要額外存儲(chǔ)它們的整型值代碼。你可以在 pandas 文檔中了解 category 類型的局限性：http://pandas.pydata.org/pandas-docs/stable/categorical.html。

我們將編寫一個(gè)循環(huán)函數(shù)來(lái)迭代式地檢查每一 object 列中不同值的數(shù)量是否少于 50%；如果是，就將其轉(zhuǎn)換成 category 類型。

和之前一樣進(jìn)行比較：

在這個(gè)案例中，所有的 object 列都被轉(zhuǎn)換成了 category 類型，但并非所有數(shù)據(jù)集都是如此，所以你應(yīng)該使用上面的流程進(jìn)行檢查。

object 列的內(nèi)存用量從 752MB 減少到了 52MB，減少了 93%。讓我們將其與我們 dataframe 的其它部分結(jié)合起來(lái)，看看從最初 861MB 的基礎(chǔ)上實(shí)現(xiàn)了多少進(jìn)步。

Wow，進(jìn)展真是不錯(cuò)！我們還可以執(zhí)行另一項(xiàng)優(yōu)化——如果你記得前面給出的數(shù)據(jù)類型表，你知道還有一個(gè) datetime 類型。這個(gè)數(shù)據(jù)集的第一列就可以使用這個(gè)類型。

你可能記得這一列開始是一個(gè)整型，現(xiàn)在已經(jīng)優(yōu)化成了 unint32 類型。因此，將其轉(zhuǎn)換成 datetime 類型實(shí)際上會(huì)讓內(nèi)存用量翻倍，因?yàn)?datetime 類型是 64 位的。將其轉(zhuǎn)換成 datetime 類型是有價(jià)值的，因?yàn)檫@讓我們可以更好地進(jìn)行時(shí)間序列分析。

pandas.to_datetime() 函數(shù)可以幫我們完成這種轉(zhuǎn)換，使用其 format 參數(shù)將我們的日期數(shù)據(jù)存儲(chǔ)成 YYYY-MM-DD 形式。

在讀入數(shù)據(jù)的同時(shí)選擇類型

現(xiàn)在，我們已經(jīng)探索了減少現(xiàn)有 dataframe 的內(nèi)存占用的方法。通過(guò)首先讀入 dataframe，然后在這個(gè)過(guò)程中迭代以減少內(nèi)存占用，我們了解了每種優(yōu)化方法可以帶來(lái)的內(nèi)存減省量。但是正如我們前面提到的一樣，我們往往沒有足夠的內(nèi)存來(lái)表示數(shù)據(jù)集中的所有值。如果我們一開始甚至無(wú)法創(chuàng)建 dataframe，我們又可以怎樣應(yīng)用節(jié)省內(nèi)存的技術(shù)呢？

幸運(yùn)的是，我們可以在讀入數(shù)據(jù)的同時(shí)指定最優(yōu)的列類型。pandas.read_csv() 函數(shù)有幾個(gè)不同的參數(shù)讓我們可以做到這一點(diǎn)。dtype 參數(shù)接受具有（字符串）列名稱作為鍵值（key）以及 NumPy 類型 object 作為值的詞典。

首先，我們可將每一列的最終類型存儲(chǔ)在一個(gè)詞典中，其中鍵值表示列名稱，首先移除日期列，因?yàn)槿掌诹行枰煌奶幚矸绞健?/p>

現(xiàn)在我們可以使用這個(gè)詞典了，另外還有幾個(gè)參數(shù)可用于按正確的類型讀入日期，而且僅需幾行代碼：

上圖完整圖像詳見原文

通過(guò)優(yōu)化這些列，我們成功將 pandas 的內(nèi)存占用從 861.6MB 減少到了 104.28MB——減少了驚人的 88%！

分析棒球比賽

現(xiàn)在我們已經(jīng)優(yōu)化好了我們的數(shù)據(jù)，我們可以執(zhí)行一些分析了。讓我們先從了解這些比賽的日期分布開始。

我們可以看到在 1920 年代以前，星期日的棒球比賽很少，但在上個(gè)世紀(jì)后半葉就變得越來(lái)越多了。

我們也可以清楚地看到過(guò)去 50 年來(lái)，比賽的日期分布基本上沒什么大變化了。

讓我們?cè)倏纯幢荣悤r(shí)長(zhǎng)的變化情況：

從 1940 年代以來(lái)，棒球比賽的持續(xù)時(shí)間越來(lái)越長(zhǎng)。

總結(jié)和下一步

我們已經(jīng)了解了 pandas 使用不同數(shù)據(jù)類型的方法，然后我們使用這種知識(shí)將一個(gè) pandas dataframe 的內(nèi)存用量減少了近 90%，而且也僅使用了一些簡(jiǎn)單的技術(shù)：

• 將數(shù)值列向下轉(zhuǎn)換成更高效的類型
• 將字符串列轉(zhuǎn)換成 categorical 類型

文章轉(zhuǎn)載：機(jī)器之心
（版權(quán)歸原作者所有，侵刪）