Python 按索引位置从稀疏数据帧中选择行
在典型的python数据框中,可以很容易地根据索引选择所需的行:Python 按索引位置从稀疏数据帧中选择行,python,numpy,pandas,scipy,sparse-matrix,Python,Numpy,Pandas,Scipy,Sparse Matrix,在典型的python数据框中,可以很容易地根据索引选择所需的行: df.ix[list_of_inds] or df.loc[list_of_inds] 然而,使用这种方法获取大型稀疏数据帧(73000行,特别是8000列)的一个重要子集似乎非常密集——我的内存突然膨胀,计算机崩溃 我确实注意到使用这样的范围进行索引 df.ix[1:N] 工作正常,但使用这样的索引列表 df.ix[np.arange(1,N)] 是什么使内存过载 是否有另一种方法可以从稀疏数据帧中选择计算更简单的行?或者
df.ix[list_of_inds] or df.loc[list_of_inds]
然而,使用这种方法获取大型稀疏数据帧(73000行,特别是8000列)的一个重要子集似乎非常密集——我的内存突然膨胀,计算机崩溃
我确实注意到使用这样的范围进行索引
df.ix[1:N]
工作正常,但使用这样的索引列表
df.ix[np.arange(1,N)]
是什么使内存过载
是否有另一种方法可以从稀疏数据帧中选择计算更简单的行?或者,我可以将这个数据帧转换成实际的稀疏矩阵
sparse_df = scipy.sparse.csc(df)
并且只从中选择我想要的索引?您面临的问题可能与查看与复制语义有关
df.ix[1:N] # uses slicing => operates on a view
df.ix[np.arange(1,N)] # uses fancy indexing => "probably" creates a copy first
我在我的机器上创建了一个73000x8000形状的数据帧,我的内存达到了4.4GB,所以我不会对崩溃感到惊讶。也就是说,如果您确实需要使用索引列表创建一个新数组,那么您就不走运了。但是,要修改原始数据帧,您应该能够一次修改一行数据帧,或者一次修改几个切片行,但以牺牲速度为代价,例如:
for i in arbitrary_list_of_indices:
df.ix[i] = new_values
顺便说一句,您可以尝试直接使用numpy阵列,我觉得它可以更清楚地描述哪些操作会导致副本和视图。您总是可以从阵列创建数据帧,几乎不需要任何内存开销,因为它只创建对原始阵列的引用
此外,numpy中的索引似乎要快得多,即使没有切片。下面是一个简单的测试用例:
In [66]: df
Out[66]:
0 1 2 3
0 3 14 5 1
1 9 19 14 4
2 5 4 5 5
3 13 14 4 7
4 8 12 3 16
5 15 3 17 12
6 11 0 12 0
In [68]: df.ix[[1,3,5]] # fancy index version
Out[68]:
0 1 2 3
1 9 19 14 4
3 13 14 4 7
5 15 3 17 12
In [69]: df.ix[1:5:2] # sliced version of the same
Out[69]:
0 1 2 3
1 9 19 14 4
3 13 14 4 7
5 15 3 17 12
In [71]: %timeit df.ix[[1,3,5]] = -1 # use fancy index version
1000 loops, best of 3: 251 µs per loop
In [72]: %timeit df.ix[1:5:2] = -2 # faster sliced version
10000 loops, best of 3: 157 µs per loop
In [73]: arr = df.values
In [74]: arr
Out[74]:
array([[ 3, 14, 5, 1],
[-2, -2, -2, -2],
[ 5, 4, 5, 5],
[-2, -2, -2, -2],
[ 8, 12, 3, 16],
[-2, -2, -2, -2],
[11, 0, 12, 0]])
In [75]: %timeit arr[[1,3,5]] = -1 # much faster than DataFrame
The slowest run took 23.49 times longer than the fastest. This could mean that an intermediate result is being cached.
100000 loops, best of 3: 4.56 µs per loop
In [77]: %timeit arr[1:5:2] = -3 # really fast but restricted to slicing
The slowest run took 19.46 times longer than the fastest. This could mean that an intermediate result is being cached.
1000000 loops, best of 3: 821 ns per loop
祝你好运 您是否尝试过
稀疏方法?尝试一下——似乎需要一段时间。to_稀疏方法生成的数据帧可以很容易地进行子集划分吗?编辑:在我的73000x8000数据帧上使用稀疏崩溃我的计算机您是否尝试:list\u of_inds=pd.Index(list\u of_inds);df.ix[索引列表]
?