pandas:在 MultiIndex DataFrame 上复制/广播单索引 DataFrame:操作方法和内存效率
Posted
技术标签:
【中文标题】pandas:在 MultiIndex DataFrame 上复制/广播单索引 DataFrame:操作方法和内存效率【英文标题】:pandas: Replicate / Broadcast single indexed DataFrame on MultiIndex DataFrame: HowTo and Memory Efficiency 【发布时间】:2018-07-26 05:43:15 【问题描述】:问题
股票交易的机器学习数据准备。我在大型 DataFrame 上有 3-dim MultiIndex(可能是n=800000 x f=20
)。一个指数维度是date
和大约dt=1000
水平,其他识别m=800
不同的股票(每个有20 个特征,每个股票单独)。所以对于每个日期,都有 800 x 20 个不同的值。
现在我有 dt=1000 x g=30
全球时间序列(如 DJIA、货币汇率等),因此每个日期的 30 个值对于每只股票相同 .这是一个只有日期作为索引的单一索引 DataFrame。
问题 1
如何合并这两个数据集,以便将 30 个系列广播到每只股票上,最终得到形状 (800000 x 50)
?
问题 2
有没有办法不是通过复制后面 30 列的数据,而是通过查看原始数据来节省内存?根据我提到的数字,对于 float64 精度,我仍将保持在 ~ 300 MB,这仍然可以。但我很好奇。
示例
这是我所拥有的f=2
、g=1
、m=4
和 dt=3
的最小示例:
import pandas as pd
data =
'x': [5,6,7,3,4,5,1,1,0,12,15,14],
'y': [4,6,5,5,4,3,2,0,1,13,14,13]
dates = [pd.to_datetime('2018-01-01'), pd.to_datetime('2018-01-02'), pd.to_datetime('2018-01-03')]
index = pd.MultiIndex.from_arrays([
['alpha'] * 6 + ['beta'] * 6,
['A'] * 3 + ['B'] * 3 + ['C'] * 3 + ['D'] * 3,
dates * 4,
])
df1 = pd.DataFrame(data, index=index)
df1.index.names = ['level', 'name', 'date']
df2 = pd.DataFrame([123,124,125], index=dates, columns=['z'])
df2.index.name = "date"
print (df1)
print (df2)
-------------------------------
x y
level name date
alpha A 2018-01-01 5 4
2018-01-02 6 6
2018-01-03 7 5
B 2018-01-01 3 5
2018-01-02 4 4
2018-01-03 5 3
beta C 2018-01-01 1 2
2018-01-02 1 0
2018-01-03 0 1
D 2018-01-01 12 13
2018-01-02 15 14
2018-01-03 14 13
z
date
2018-01-01 123
2018-01-02 124
2018-01-03 125
还有我喜欢的:
x y z
level name date
alpha A 2018-01-01 5 4 123
2018-01-02 6 6 124
2018-01-03 7 5 125
B 2018-01-01 3 5 123
2018-01-02 4 4 124
2018-01-03 5 3 125
beta C 2018-01-01 1 2 123
2018-01-02 1 0 124
2018-01-03 0 1 125
D 2018-01-01 12 13 123
2018-01-02 15 14 124
2018-01-03 14 13 125
【问题讨论】:
【参考方案1】:我认为需要 join
在 DataFrame
s 中为相同的索引名称 date
对齐:
df = df1.join(df2)
print (df)
x y z
level name date
alpha A 2018-01-01 5 4 123
2018-01-02 6 6 124
2018-01-03 7 5 125
B 2018-01-01 3 5 123
2018-01-02 4 4 124
2018-01-03 5 3 125
beta C 2018-01-01 1 2 123
2018-01-02 1 0 124
2018-01-03 0 1 125
D 2018-01-01 12 13 123
2018-01-02 15 14 124
2018-01-03 14 13 125
【讨论】:
又好又简单!df
将使用多少内存? df1+df2
或 df1+m*df2
?
我正在考虑您的第二个问题和难题。我不知道:(
@ascripter 这工作得非常巧妙,因为在您的示例数据中,两个数据帧中的索引都有一个名为date
的级别,所以join
知道要加入什么。确保您的真实数据中确实如此。
@ascripter 至于你的第二个问题,节省内存的唯一方法是一次以块的形式提供数据,并根据需要从第二个数据帧中提取数据。这并不简单。
@piRSquared - 我在考虑categoricals,但不确定是否可以在这里使用。以上是关于pandas:在 MultiIndex DataFrame 上复制/广播单索引 DataFrame:操作方法和内存效率的主要内容,如果未能解决你的问题,请参考以下文章
在 Pandas 中使用 .loc 和 MultiIndex
在 Pandas 中将两个 MultiIndex 级别合并为一个
pandas - 如何使用 MultiIndex 在 DataFrame 的深层检索最小值索引
pandas:将两个 DataFrame 与已排序的 MultiIndex 连接起来,使得结果具有已排序的 MultiIndex