Python 如何处理修改大熊猫数据帧

我有一个较大的熊猫数据帧（磁盘上有1.5gig.csv）。我可以将它加载到内存并查询它。我想创建一个新列，它是其他两列的组合值，我尝试了以下方法：

def combined(row):
    row['combined'] = row['col1'].join(str(row['col2']))
return row

df = df.apply(combined, axis=1)

这导致我的python进程被终止，可能是因为内存问题

该问题的一个更迭代的解决方案似乎是：

df['combined'] = ''
col_pos = list(df.columns).index('combined')
crs_pos = list(df.columns).index('col1')
sub_pos = list(df.columns).index('col2')

for row_pos in range(0, len(df) - 1):
    df.iloc[row_pos, col_pos] = df.iloc[row_pos, sub_pos].join(str(df.iloc[row_pos, crs_pos]))

这当然看起来很不像话。而且速度很慢

---

理想情况下，我想要类似于

apply\u chunk（）

的东西，它与apply相同，但只适用于数据帧的一部分。我认为

dask

可能是一个选项，但是

dask

数据帧在使用时似乎有其他问题。这是一个常见的问题，我是否应该使用设计模式向大熊猫数据帧添加列？

我会尝试使用列表理解+：

它可能是“unpandas”，但pandas似乎没有一个

.str

方法来帮助您，它也不是“unpythonic”

要创建另一列，只需使用：

df['c'] = [a.join(b) for (a, b) in itertools.izip(df.a, df.b)]

顺便说一句，您还可以使用以下方法进行分块：

[a.join(b) for (a, b) in itertools.izip(df.a[10: 20], df.b[10: 20])]

---

如果你想玩并行化。我会首先尝试上面的版本，因为列表理解和itertools的速度通常出奇地快，而并行化需要的开销可能会超过它。

在or中创建新列的一个好方法是使用该方法

---

然而，如果您的操作是高度定制的（看起来是这样），并且Python迭代器足够快（看起来是这样），那么您可能只想坚持使用它。每当您发现自己在循环中使用

apply

或

iloc

时，Pandas的运行速度可能比最佳运行速度慢得多。

首先，

dask

对您的情况没有帮助，因为您的问题是I/O和内存受限，而不是CPU受限，而

dask

基于

多处理

模块。dask可以使用线程、多处理或分布式计算。在他的情况下，虽然他不需要这些，但仅仅是一种智能处理来自磁盘的流数据的方法。使用apply方法有什么用？哇。这是难以置信的令人麻木的速度。使用python3，我得到的结果是：

df['course\u combined']=[str（a）.join（b）for（a，b）in itertools.zip\u longest（df['col1]，df['col2']）]

Pandas肯定在iloc中做了一些非常低效的事情，我会认为这是一种快速但丑陋的数据帧迭代方式。

[a.join(b) for (a, b) in itertools.izip(df.a[10: 20], df.b[10: 20])]

In [1]: import pandas as pd

In [2]: df = pd.DataFrame({'x': [1, 2, 3, 4], 'y': ['a', 'b', 'a', 'b']})

In [3]: df
Out[3]: 
   x  y
0  1  a
1  2  b
2  3  a
3  4  b

In [4]: df.assign(z=df.x * df.y)
Out[4]: 
   x  y     z
0  1  a     a
1  2  b    bb
2  3  a   aaa
3  4  b  bbbb