在单元格中保存带有 ndarray 的 Pandas 数据框
Posted
技术标签:
【中文标题】在单元格中保存带有 ndarray 的 Pandas 数据框【英文标题】:Save Pandas data frame with ndarray in cells 【发布时间】:2019-07-19 03:49:41 【问题描述】:我需要保存一个带有两列词嵌入 (Word2Vec) 的 pandas 数据框,它们存储为 dim (1300, 300) 的 ndarrays、一个字符串和另一个具有该字符串的一个热表示的数组。
TYPE content title one_hot_label
------------------------------------------------------------
happy [[-0.25195312, 0.13085938, 0.05053711, -0.0417... [[0.12792969, -0.055908203, 0.011230469, 0.283... [0, 1, 0]
sad [[-0.25195312, 0.13085938, 0.05053711, -0.0417... [[0.12792969, -0.055908203, 0.011230469, 0.283... [0, 1, 0]
happy [[-0.25195312, 0.13085938, 0.05053711, -0.0417... [[0.12792969,-0.055908203, 0.011230469, 0.283... [0, 1, 0]
sad [[-0.25195312, 0.13085938, 0.05053711, -0.0417... [[0.12792969, -0.055908203, 0.011230469, 0.283... [0, 1, 0]
...
...
...
我需要将它保存在我的驱动器中。我尝试对其进行序列化(df.to_picke
)并且只要条目数量很少,它就可以正常工作。 CSV (df.to_csv
) 将省略号添加到 Numpy 数组列,to_hdf
给我溢出错误。
有没有办法用这种结构保存大型数据集?
编辑
打电话给df.memory_usage(deep=True)
给我:
Index 23840
type 244425
content 5447697600
title 62976000
one_hot_label 309920
dtype: int64
编辑 2
您能否给我另一种结构来创建这个嵌入数据集?
谢谢
【问题讨论】:
savetxt怎么样 无法回答您的问题,但您的问题是否允许首先避免使用DataFrame
?也许只是将您的向量保存在更高维的 numpy 数组中...
已经尝试过了,但是遇到了与不是一维数组相关的问题@anky_91(TypeError: only size-1 arrays can be convert to Python scalars)
这是一个尴尬的数据框。 'csv' 通常是字符串和数字的行和列。它不直接保存数组。相反,它保存了他们的str(..)
表示,因此省略了省略号和 []。当您加载这样的 csv 时,您会在这些单元格中获得字符串,而不是数组。我建议考虑不同的数据结构。
为什么不直接保存这些数组?可能与np.savez
使用“快乐”作为名称?
【参考方案1】:
您可以使用此功能减少数据大小。
def reduce_mem_usage(self, df, verbose=True):
numerics = ['int16', 'int32', 'int64', 'float16', 'float32', 'float64']
start_mem = df.memory_usage().sum() / 1024**2
for col in df.columns:
col_type = df[col].dtypes
if col_type in numerics:
c_min = df[col].min()
c_max = df[col].max()
if str(col_type)[: 3] == 'int':
if c_min > np.iinfo(np.int8).min and c_max < np.iinfo(np.int8).max:
df.loc[:, col] = df[col].astype(np.int8)
elif c_min > np.iinfo(np.int16).min and c_max < np.iinfo(np.int16).max:
df.loc[:, col] = df[col].astype(np.int16)
elif c_min > np.iinfo(np.int32).min and c_max < np.iinfo(np.int32).max:
df.loc[:, col] = df[col].astype(np.int32)
elif c_min > np.iinfo(np.int64).min and c_max < np.iinfo(np.int64).max:
df.loc[:, col] = df[col].astype(np.int64)
else:
if c_min > np.finfo(np.float16).min and c_max < np.finfo(np.float16).max:
df.loc[:, col] = df[col].astype(np.float16)
elif c_min > np.finfo(np.float32).min and c_max < np.finfo(np.float32).max:
df.loc[:, col] = df[col].astype(np.float32)
else:
df.loc[:, col] = df[col].astype(np.float64)
end_mem = df.memory_usage().sum() / 1024**2
if verbose:
print('Mem. usage decreased to :5.2f Mb (:.1f% reduction)'.format(end_mem, 100 * (start_mem - end_mem) / start_mem))
return df
【讨论】:
以上是关于在单元格中保存带有 ndarray 的 Pandas 数据框的主要内容,如果未能解决你的问题,请参考以下文章
UITableView:单击单元格并使用 UIWebView 打开单元格中的链接