【原】让pandas处理大数据速度变快的三个技巧

上一篇文章 写的是处理GB级数据时datatable比pandas会更高效，但是datatable使用起来毕竟不如pandas来的顺手。所以今天准备介绍pandas的三个使用技巧来让我们的运行效率提高，以便处理较大体量的数据。

一、将数据分批次读取

csv格式是常见的数据存储方式，对于我们普通人而言易于读写。此外，在pandas中有pd.read_csv()函数可以将csv形式的数据进行读取。但当csv文件非常大的时候，直接读取会很吃内存，甚至会出现内存不够用的情况。

这时候我们可以 分批次（分块）读取，而不是一次性读取 这么大体量的数据。操作步骤：

• 分批次读取

• 处理每一批次

• 保存每一批次的结果

• 对所有的数据重复步骤1-3

• 将所有的批次结果都结合起来

pd.read_csv(chunksize) 中的chunksize指的的是每一批次的行数

1. import pandas as pd

3. chunk_iterator = pd.read_csv("largest_data.csv", chunksize=10000)

8. chunk_result_list = []

11. #每一批次都是dataframe类型

12. for chunk in chunk_iterator:

13. #根据你的分析问题，设计自己的chunk_manipulate函数

14. filter_result = chunk_manipulate(chunk)

15. chunk_result_list.append(filter_result)

18. #合并所有批次处理结果，形成新的dataframe

19. df = pd.concat(chunk_result_list)

二、剔除Na数据

有时候我们使用的数据中含有是Na，这时候剔除含有Na的数据会减少很多数据量。这里用到 df.dropna(how,thresh,subset)

• how: "all"或者"any"。all当记录中的所有特征均为na，才剔除该条记录；any当记录中只要有na，该条记录就剔除

• thresh： 整数型，每条记录中允许拥有的最大na数，当记录中na数超过thresh数后，剔除该条记录

• subset：列名列表，选取某些特征进行na检测和处理

1. import pandas as pd

5. use_cols = ["stock_price", "stock_volume", "stock_symbol", "dividend", "eps"]

6. ignore_cols = ["stock_name", "data_of_ipo"]

9. #usecols使用的特征名

10. df = pd.read_csv("large_data.csv", usecols=use_cols)

13. #剔除na数据

14. df.dropna()

三、设置特征的数据类型

对于大多数数据科学家而言，并不需要设置特征的数据类型，但是当处理的数据极其庞大的时候，我们就不得不考虑设置特征的数据类型以降低内存开销。

例如在csv的特征列中，某一列特征是32bit浮点数类型，但32bit浮点太精确了，实际上我们仅仅使用16bit就够用了。pd.read_csv(dtype)可以设置列的数据类型

1. import pandas as pd

2. import numpy as np

5. #column_A 32bit

6. #column_B 16bit

7. df = pd.read_csv("large_data.csv", dtype={'column_A': np.int32,

8. 'column_B': np.float16})