在单元格中保存带有 ndarray 的 Pandas 数据框

Posted 2023-03-11

【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