Pandas `read_csv` 方法使用了太多 RAM

Posted 2023-03-12

【中文标题】Pandas `read_csv` 方法使用了太多 RAM

【英文标题】：Pandas `read_csv` Method Is Using Too Much RAM

【发布时间】：2018-01-13 22:07:14

【问题描述】：

我目前在 Kaggle 上使用 Rotten Tomatoes dataset，同时使用 pandas DataFrame() 来操作数据。

我已经从 sklearn 实现了CountVectorizer() 来提取特征（大小为 5000）。然后，我将 10 万行特征和标签保存到 .csv 中。更准确地说，.csv 总共有 100k 行和 5001 列。 它的大小约为 1gb 内存。

当我尝试阅读 .csv 时，问题出现了：

pd.read_csv('train.csv', header=0, 
             delimiter=",", engine='c', na_filter=False, dtype=np.int64)

CSV 解析器使用了过多的 RAM。我的系统上有 8gb 的 RAM，这显然是不够的。

有什么方法可以减少 RAM 的使用？我不受限于 pandas 库。

【问题讨论】：

好吧pandas 是一个内存数据操作框架，并且通过机器学习，您需要整个数据集来训练而不是块，因此您需要迁移到云端或减少特征数量你有。

@aws_apprentice 实际上我可以（而且我确实）使用块。 IE。增量学习。 scikit-learn中的一些分类器有partial_fit方法（我用的是SGDClassifier，它有），所以你可以按块训练分类器。

您可以分块（或单独的行）解析数据，将每个块转换为scipy.sparse.csr_matrix。

就像我说的我对机器学习不太熟悉，所以我不知道。如果您可以分块读取它，那么 pandas 带有一个 chunksize 选项，您可以通过将其制成生成器来进一步优化，这样您就不会一次在内存中保存太多数据。

【参考方案1】：

您可以尝试在pandas.read_csv 中使用chunksize 选项。它将允许您批量处理数据，避免一次将所有数据加载到内存中。当您处理每个批次时，您可以删除任何不必要的列并将数据保存在一个新的、更薄的对象中，您可以将其放入内存中。下面是一个例子：

chunks = pd.read_csv('train.csv', header=0, delimiter=",", engine='c', na_filter=False, dtype=np.int64, chunksize=50000)

slim_data = []
for chunk in chunks:
    do your processing here
final_data = pd.concat(slim_data)

在示例中，每个块是 50,000 条记录，格式为 pandas DataFrame。然后遍历 50,000 条记录的每个块，您可以在其中对每个块进行处理并将处理后的 DataFrame 附加到一个新对象（slim_data 作为上面的示例），然后将所有块连接在一起成为您可以使用的最终 DataFrame在您的建模中。

重申一下，只有在处理每批数据时，您要删除数据元素或以更有效的方式表示数据元素时，上述方法才有效，否则您将再次遇到内存问题。但是，这将使您不必一次将所有数据加载到内存中。