如何在 Pandas 中的超大数据框上创建数据透视表

Posted 2023-02-15

【中文标题】如何在 Pandas 中的超大数据框上创建数据透视表

【英文标题】：How to create a pivot table on extremely large dataframes in Pandas

【发布时间】：2015-06-08 23:31:52

【问题描述】：

我需要从大约 6000 万行的数据集中创建一个包含 2000 列、大约 30-5000 万行的数据透视表。我尝试过以 100,000 行为一组进行旋转，这很有效，但是当我尝试通过执行 .append() 和 .groupby('someKey').sum() 来重新组合 DataFrame 时，我的所有内存都被占用了而python最终崩溃了。

如何使用有限的 RAM 对这么大的数据进行数据透视？

编辑：添加示例代码

下面的代码包括各种测试输出，但最后的打印是我们真正感兴趣的。请注意，如果我们将 segMax 更改为 3，而不是 4，代码将产生正确输出的误报.主要问题是如果一个 shippingid 条目不在 sum(wawa) 所查看的每个块中，它就不会显示在输出中。

import pandas as pd
import numpy as np
import random
from pandas.io.pytables import *
import os

pd.set_option('io.hdf.default_format','table') 

# create a small dataframe to simulate the real data.
def loadFrame():
    frame = pd.DataFrame()
    frame['shipmentid']=[1,2,3,1,2,3,1,2,3] #evenly distributing shipmentid values for testing purposes
    frame['qty']= np.random.randint(1,5,9) #random quantity is ok for this test
    frame['catid'] = np.random.randint(1,5,9) #random category is ok for this test
    return frame

def pivotSegment(segmentNumber,passedFrame):
    segmentSize = 3 #take 3 rows at a time
    frame = passedFrame[(segmentNumber*segmentSize):(segmentNumber*segmentSize + segmentSize)] #slice the input DF

    # ensure that all chunks are identically formatted after the pivot by appending a dummy DF with all possible category values
    span = pd.DataFrame() 
    span['catid'] = range(1,5+1)
    span['shipmentid']=1
    span['qty']=0

    frame = frame.append(span)

    return frame.pivot_table(['qty'],index=['shipmentid'],columns='catid', \
                             aggfunc='sum',fill_value=0).reset_index()

def createStore():

    store = pd.HDFStore('testdata.h5')
    return store

segMin = 0
segMax = 4

store = createStore()
frame = loadFrame()

print('Printing Frame')
print(frame)
print(frame.info())

for i in range(segMin,segMax):
    segment = pivotSegment(i,frame)
    store.append('data',frame[(i*3):(i*3 + 3)])
    store.append('pivotedData',segment)

print('\nPrinting Store')   
print(store)
print('\nPrinting Store: data') 
print(store['data'])
print('\nPrinting Store: pivotedData') 
print(store['pivotedData'])

print('**************')
print(store['pivotedData'].set_index('shipmentid').groupby('shipmentid',level=0).sum())
print('**************')
print('$$$')
for df in store.select('pivotedData',chunksize=3):
    print(df.set_index('shipmentid').groupby('shipmentid',level=0).sum())

print('$$$')
store['pivotedAndSummed'] = sum((df.set_index('shipmentid').groupby('shipmentid',level=0).sum() for df in store.select('pivotedData',chunksize=3)))
print('\nPrinting Store: pivotedAndSummed') 
print(store['pivotedAndSummed'])

store.close()
os.remove('testdata.h5')
print('closed')

【问题讨论】：

值得注意的是，不仅python会崩溃，它还会导致整个计算机崩溃。显然不是我可以让它煮几天的情况。

根据数据的性质，您可能想尝试使用sparse DataFrames。它可以为您节省大量内存。

由于我的 shippingid 值都是数字，我现在正在尝试从 pivotedData 表中手动选择一个 shippingid 的整数值，从 0 增加到 500 万左右，然后执行sum() 结果，并将其附加到存储中的结果表中。但是，每次选择都需要很长时间，尤其是当特定的shippingid 不存在条目时。将继续使用压缩设置，看看是否有帮助。

为什么不使用 RDMS 来聚合您的数据集？ SQL 引擎旨在存储数百万条记录并按组处理 Sum() 等基本处理。正如您的枢轴所指出的那样，我假设是两个字节大小的字段（ids）和一个整数（qty）字段，临时数据库表不应该太广泛而无法存储和查询。考虑在 SQL Server、Oracle、mysql、PostgreSQL 或任何其他内部进行聚合，并将结果传递给 Python dataframe。

数据来自哪里？数据库（如果有，是哪个？）、.csv 文件、HDF5 等

【参考方案1】：

您可以使用 HDF5/pytables 进行附加。这使它远离 RAM。

使用table format：

store = pd.HDFStore('store.h5')
for ...:
    ...
    chunk  # the chunk of the DataFrame (which you want to append)
    store.append('df', chunk)

现在您可以一次性将其作为 DataFrame 读入（假设此 DataFrame 可以放入内存！）：

df = store['df']

您也可以查询，仅获取 DataFrame 的子部分。

另外：你还应该买更多的内存，它很便宜。

---

编辑：您可以从商店iteratively 中进行分组/求和，因为这个“映射减少”了块：

# note: this doesn't work, see below
sum(df.groupby().sum() for df in store.select('df', chunksize=50000))
# equivalent to (but doesn't read in the entire frame)
store['df'].groupby().sum()

Edit2：使用上述 sum 实际上在 pandas 0.16 中不起作用（我认为它在 0.15.2 中起作用），相反，您可以将 reduce 与 add 一起使用：

reduce(lambda x, y: x.add(y, fill_value=0),
       (df.groupby().sum() for df in store.select('df', chunksize=50000)))

在 python 3 中你必须import reduce from functools。

也许写成这样更符合pythonic/可读性：

chunks = (df.groupby().sum() for df in store.select('df', chunksize=50000))
res = next(chunks)  # will raise if there are no chunks!
for c in chunks:
    res = res.add(c, fill_value=0)

如果性能很差/如果有大量新组，则最好将 res 作为正确大小的零开始（通过获取唯一组键，例如通过循环块），然后就地添加。

【讨论】：

@TraxusIV 嗯，如果您有少量组，您可以迭代地进行（通过选择每个组并求和） - 如果您有很多行，这会很慢。我认为这将是一个很好的（新）问题。一个小谷歌只发现this（从 2006 年开始！）建议不，你需要走迭代方式（我建议）......过去 9 年情况可能有所改善？？

@TraxusIV 对于分组求和，映射/减少，从某种意义上说，您可以对块进行分组和求和，然后将结果相加。因此，通过商店中的 df 大块。类似于： sum(df.groupby().sum() for df in store.select('df', chunksize=50000)) ？见pandas.pydata.org/pandas-docs/stable/io.html#iterator

@TraxusIV 注意：无论你有多少组，这都会很快，如果你必须迭代地提取 每个组，那么慢就是你想要的/快。

@TraxusIV sum 会将多个条目相加 - 这就是您想要的。

@TraxusIV 你用的是什么版本的熊猫，我以为我测试过了，它工作了