pandas的内存使用以及选择合适的数据类型

选自DATAQUEST

作者：Josh Devlin

机器之心编译

当使用 pandas 操作小规模数据（低于 100 MB）时，性能一般不是问题。而当面对更大规模的数据（100 MB 到数 GB）时，性能问题会让运行时间变得更漫长，而且会因为内存不足导致运行完全失败。

尽管 Spark 这样的工具可以处理大型数据集（100 GB 到数 TB），但要完全利用它们的能力，往往需要更加昂贵的硬件。而且和 pandas 不同，它们缺少丰富的用于高质量数据清理、探索和分析的功能集。对于中等规模的数据，我们最好能更充分地利用 pandas，而不是换成另一种工具。

在这篇文章中，我们将了解 pandas 的内存使用，以及如何只需通过为列选择合适的数据类型就能将 dataframe 的内存占用减少近 90%。

处理棒球比赛日志

我们将处理 130 年之久的美国职业棒球大联盟（MLB）比赛数据，这些数据来自 Retrosheet：http://www.retrosheet.org/gamelogs/index.html。

这些数据原来分成了 127 个不同的 CSV 文件，但我们已经使用 csvkit 合并了这些数据，并在第一行增加了列名称。如果你想下载本文所用的这个数据版本，请访问：https://data.world/dataquest/mlb-game-logs。

让我们首先导入数据，并看看其中的前五行：

import pandas as pd

gl = pd.read_csv（‘game_logs.csv’）

gl.head（）

下面我们总结了一些重要的列，但如果你想了解所有的列，我们也为整个数据集创建了一个数据词典：https://data.world/dataquest/mlb-game-logs/workspace/data-dictionary。

date - 比赛时间

v_name - 客队名

v_league - 客队联盟

h_name - 主队名

h_league - 主队联盟

v_score - 客队得分

h_score - 主队得分

v_line_score - 客队每局得分排列，例如：010000（10）00.

h_line_score - 主队每局得分排列，例如：010000（10）0X.

park_id - 比赛举办的球场名

attendance- 比赛观众

我们可以使用 DataFrame.info（） 方法为我们提供关于 dataframe 的高层面信息，包括它的大小、数据类型的信息和内存使用情况。

默认情况下，pandas 会近似 dataframe 的内存用量以节省时间。因为我们也关心准确度，所以我们将 memory_usage 参数设置为 ‘deep’，以便得到准确的数字。

gl.info（memory_usage=‘deep’）

《class ‘pandas.core.frame.DataFrame’》

RangeIndex： 171907 entries， 0 to 171906

Columns： 161 entries， date to acquisition_info

dtypes： float64（77）， int64（6）， object（78）

memory usage： 861.6 MB

我们可以看到，我们有 171，907 行和 161 列。pandas 会自动为我们检测数据类型，发现其中有 83 列数据是数值，78 列是 object。object 是指有字符串或包含混合数据类型的情况。

为了更好地理解如何减少内存用量，让我们看看 pandas 是如何将数据存储在内存中的。

dataframe 的内部表示

在 pandas 内部，同样数据类型的列会组织成同一个值块（blocks of values）。这里给出了一个示例，说明了 pandas 对我们的 dataframe 的前 12 列的存储方式。

你可以看到这些块并没有保留原有的列名称。这是因为这些块为存储 dataframe 中的实际值进行了优化。pandas 的 BlockManager 类则负责保留行列索引与实际块之间的映射关系。它可以作为一个 API 使用，提供了对底层数据的访问。不管我们何时选择、编辑或删除这些值，dataframe 类和 BlockManager 类的接口都会将我们的请求翻译成函数和方法的调用。

在 pandas.core.internals 模块中，每一种类型都有一个专门的类。pandas 使用 ObjectBlock 类来表示包含字符串列的块，用 FloatBlock 类表示包含浮点数列的块。对于表示整型数和浮点数这些数值的块，pandas 会将这些列组合起来，存储成 NumPy ndarray。NumPy ndarray 是围绕 C 语言的数组构建的，其中的值存储在内存的连续块中。这种存储方案使得对值的访问速度非常快。

因为每种数据类型都是分开存储的，所以我们将检查不同数据类型的内存使用情况。首先，我们先来看看各个数据类型的平均内存用量。

for dtype in ［‘float’，‘int’，‘object’］：

selected_dtype = gl.select_dtypes（include=［dtype］）

mean_usage_b = selected_dtype.memory_usage（deep=True）.mean（）

mean_usage_mb = mean_usage_b / 1024 ** 2

print（“Average memory usage for {} columns： {：03.2f} MB”.format（dtype，mean_usage_mb））

Average memory usage for float columns： 1.29 MB

Average memory usage for int columns： 1.12 MB

Average memory usage for object columns： 9.53 MB

可以看出，78 个 object 列所使用的内存量最大。我们后面再具体谈这个问题。首先我们看看能否改进数值列的内存用量。

理解子类型（subtype）

正如我们前面简单提到的那样，pandas 内部将数值表示为 NumPy ndarrays，并将它们存储在内存的连续块中。这种存储模式占用的空间更少，而且也让我们可以快速访问这些值。因为 pandas 表示同一类型的每个值时都使用同样的字节数，而 NumPy ndarray 可以存储值的数量，所以 pandas 可以快速准确地返回一个数值列所消耗的字节数。

pandas 中的许多类型都有多个子类型，这些子类型可以使用更少的字节来表示每个值。比如说 float 类型就包含 float16、float32 和 float64 子类型。类型名称中的数字就代表该类型表示值的位（bit）数。比如说，我们刚刚列出的子类型就分别使用了 2、4、8、16 个字节。下面的表格给出了 pandas 中最常用类型的子类型：

一个 int8 类型的值使用 1 个字节的存储空间，可以表示 256（2^8）个二进制数。这意味着我们可以使用这个子类型来表示从 -128 到 127（包括 0）的所有整数值。

我们可以使用 numpy.iinfo 类来验证每个整型数子类型的最大值和最小值。举个例子：

import numpy as np

int_types = ［“uint8”， “int8”， “int16”］

for it in int_types：

print（np.iinfo（it））

Machine parameters for uint8

---------------------------------------------------------------

min = 0

max = 255

---------------------------------------------------------------

Machine parameters for int8

---------------------------------------------------------------

min = -128

max = 127

---------------------------------------------------------------

Machine parameters for int16

---------------------------------------------------------------

min = -32768

max = 32767

---------------------------------------------------------------

这里我们可以看到 uint（无符号整型）和 int（有符号整型）之间的差异。这两种类型都有一样的存储能力，但其中一个只保存 0 和正数。无符号整型让我们可以更有效地处理只有正数值的列。

使用子类型优化数值列

我们可以使用函数 pd.to_numeric（） 来对我们的数值类型进行 downcast（向下转型）操作。我们会使用 DataFrame.select_dtypes 来选择整型列，然后我们会对其数据类型进行优化，并比较内存用量。

# We‘re going to be calculating memory usage a lot，

# so we’ll create a function to save us some time！

def mem_usage（pandas_obj）：

if isinstance（pandas_obj，pd.DataFrame）：

usage_b = pandas_obj.memory_usage（deep=True）.sum（）

else： # we assume if not a df it‘s a series

usage_b = pandas_obj.memory_usage（deep=True）

usage_mb = usage_b / 1024 ** 2 # convert bytes to megabytes

return “{：03.2f} MB”.format（usage_mb）

gl_int = gl.select_dtypes（include=［’int‘］）

converted_int = gl_int.apply（pd.to_numeric，downcast=’unsigned‘）

print（mem_usage（gl_int））

print（mem_usage（converted_int））

compare_ints = pd.concat（［gl_int.dtypes，converted_int.dtypes］，axis=1）

compare_ints.columns = ［’before‘，’after‘］

compare_ints.apply（pd.Series.value_counts）

7.87 MB

1.48 MB

我们可以看到内存用量从 7.9 MB 下降到了 1.5 MB，降低了 80% 以上。但这对我们原有 dataframe 的影响并不大，因为其中的整型列非常少。

让我们对其中的浮点型列进行一样的操作。

gl_float = gl.select_dtypes（include=［’float‘］）

converted_float = gl_float.apply（pd.to_numeric，downcast=’float‘）

print（mem_usage（gl_float））

print（mem_usage（converted_float））

compare_floats = pd.concat（［gl_float.dtypes，converted_float.dtypes］，axis=1）

compare_floats.columns = ［’before‘，’after‘］

compare_floats.apply（pd.Series.value_counts）

100.99 MB

50.49 MB

我们可以看到浮点型列的数据类型从 float64 变成了 float32，让内存用量降低了 50%。

让我们为原始 dataframe 创建一个副本，并用这些优化后的列替换原来的列，然后看看我们现在的整体内存用量。

optimized_gl = gl.copy（）

optimized_gl［converted_int.columns］ = converted_int

optimized_gl［converted_float.columns］ = converted_float

print（mem_usage（gl））

print（mem_usage（optimized_gl））

861.57 MB

804.69 MB

尽管我们极大地减少了数值列的内存用量，但整体的内存用量仅减少了 7%。我们的大部分收获都将来自对 object 类型的优化。

在我们开始行动之前，先看看 pandas 中字符串的存储方式与数值类型的存储方式的比较。

数值存储与字符串存储的比较

object 类型表示使用 Python 字符串对象的值，部分原因是 NumPy 不支持缺失（missing）字符串类型。因为 Python 是一种高级的解释性语言，它对内存中存储的值没有细粒度的控制能力。

这一限制导致字符串的存储方式很碎片化，从而会消耗更多内存，而且访问速度也更慢。object 列中的每个元素实际上都是一个指针，包含了实际值在内存中的位置的「地址」。

下面这幅图给出了以 NumPy 数据类型存储数值数据和使用 Python 内置类型存储字符串数据的方式。

图片来源：https://jakevdp.github.io/blog/2014/05/09/why-python-is-slow/

在前面的表格中，你可能已经注意到 object 类型的内存使用是可变的。尽管每个指针仅占用 1 字节的内存，但如果每个字符串在 Python 中都是单独存储的，那就会占用实际字符串那么大的空间。我们可以使用 sys.getsizeof（） 函数来证明这一点，首先查看单个的字符串，然后查看 pandas series 中的项。

from sys import getsizeof

s1 = ’working out‘

s2 = ’memory usage for‘

s3 = ’strings in python is fun！‘

s4 = ’strings in python is fun！‘

for s in ［s1， s2， s3， s4］：

print（getsizeof（s））

60

65

74

74

obj_series = pd.Series（［’working out‘，

’memory usage for‘，

’strings in python is fun！‘，

’strings in python is fun！‘］）

obj_series.apply（getsizeof）

0 60

1 65

2 74

3 74

dtype： int64

你可以看到，当存储在 pandas series 时，字符串的大小与用 Python 单独存储的字符串的大小是一样的。

使用 Categoricals 优化 object 类型

pandas 在 0.15 版引入了 Categorials。category 类型在底层使用了整型值来表示一个列中的值，而不是使用原始值。pandas 使用一个单独的映射词典将这些整型值映射到原始值。只要当一个列包含有限的值的集合时，这种方法就很有用。当我们将一列转换成 category dtype 时，pandas 就使用最节省空间的 int 子类型来表示该列中的所有不同值。

为了了解为什么我们可以使用这种类型来减少内存用量，让我们看看我们的 object 类型中每种类型的不同值的数量。

gl_obj = gl.select_dtypes（include=［’object‘］）.copy（）

gl_obj.describe（）

上图完整图像详见原文

大概看看就能发现，对于我们整个数据集的 172，000 场比赛，其中不同（unique）值的数量可以说非常少。

为了了解当我们将其转换成 categorical 类型时究竟发生了什么，我们拿出一个 object 列来看看。我们将使用数据集的第二列 day_of_week.

看看上表，可以看到其仅包含 7 个不同的值。我们将使用 .astype（） 方法将其转换成 categorical 类型。

dow = gl_obj.day_of_week

print（dow.head（））

dow_cat = dow.astype（’category‘）

print（dow_cat.head（））

0 Thu

1 Fri

2 Sat

3 Mon

4 Tue

Name： day_of_week， dtype： object

0 Thu

1 Fri

2 Sat

3 Mon

4 Tue

Name： day_of_week， dtype： category

Categories （7， object）： ［Fri， Mon， Sat， Sun， Thu， Tue， Wed］

如你所见，除了这一列的类型发生了改变之外，数据看起来还是完全一样。让我们看看这背后发生了什么。

在下面的代码中，我们使用了 Series.cat.codes 属性来返回 category 类型用来表示每个值的整型值。

dow_cat.head（）.cat.codes

0 4

1 0

2 2

3 1

4 5

dtype： int8

你可以看到每个不同值都被分配了一个整型值，而该列现在的基本数据类型是 int8。这一列没有任何缺失值，但就算有，category 子类型也能处理，只需将其设置为 -1 即可。

最后，让我们看看在将这一列转换为 category 类型前后的内存用量对比。

print（mem_usage（dow））

print（mem_usage（dow_cat））

9.84 MB

0.16 MB

9.8 MB 的内存用量减少到了 0.16 MB，减少了 98%！注意，这个特定列可能代表了我们最好的情况之一——即大约 172，000 项却只有 7 个不同的值。

尽管将所有列都转换成这种类型听起来很吸引人，但了解其中的取舍也很重要。最大的坏处是无法执行数值计算。如果没有首先将其转换成数值 dtype，那么我们就无法对 category 列进行算术运算，也就是说无法使用 Series.min（） 和 Series.max（） 等方法。

我们应该坚持主要将 category 类型用于不同值的数量少于值的总数量的 50% 的 object 列。如果一列中的所有值都是不同的，那么 category 类型所使用的内存将会更多。因为这一列不仅要存储所有的原始字符串值，还要额外存储它们的整型值代码。你可以在 pandas 文档中了解 category 类型的局限性：http://pandas.pydata.org/pandas-docs/stable/categorical.html。

我们将编写一个循环函数来迭代式地检查每一 object 列中不同值的数量是否少于 50%；如果是，就将其转换成 category 类型。

converted_obj = pd.DataFrame（）

for col in gl_obj.columns：

num_unique_values = len（gl_obj［col］.unique（））

num_total_values = len（gl_obj［col］）

if num_unique_values / num_total_values 《 0.5：

converted_obj.loc［：，col］ = gl_obj［col］.astype（’category‘）

else：

converted_obj.loc［：，col］ = gl_obj［col］

和之前一样进行比较：

print（mem_usage（gl_obj））

print（mem_usage（converted_obj））

compare_obj = pd.concat（［gl_obj.dtypes，converted_obj.dtypes］，axis=1）

compare_obj.columns = ［’before‘，’after‘］

compare_obj.apply（pd.Series.value_counts）

752.72 MB

51.67 MB

在这个案例中，所有的 object 列都被转换成了 category 类型，但并非所有数据集都是如此，所以你应该使用上面的流程进行检查。

object 列的内存用量从 752MB 减少到了 52MB，减少了 93%。让我们将其与我们 dataframe 的其它部分结合起来，看看从最初 861MB 的基础上实现了多少进步。

optimized_gl［converted_obj.columns］ = converted_obj

mem_usage（optimized_gl）

’103.64 MB‘

Wow，进展真是不错！我们还可以执行另一项优化——如果你记得前面给出的数据类型表，你知道还有一个 datetime 类型。这个数据集的第一列就可以使用这个类型。

date = optimized_gl.date

print（mem_usage（date））

date.head（）

0.66 MB

0 18710504

1 18710505

2 18710506

3 18710508

4 18710509

Name： date， dtype： uint32

你可能记得这一列开始是一个整型，现在已经优化成了 unint32 类型。因此，将其转换成 datetime 类型实际上会让内存用量翻倍，因为 datetime 类型是 64 位的。将其转换成 datetime 类型是有价值的，因为这让我们可以更好地进行时间序列分析。

pandas.to_datetime（） 函数可以帮我们完成这种转换，使用其 format 参数将我们的日期数据存储成 YYYY-MM-DD 形式。

optimized_gl［’date‘］ = pd.to_datetime（date，format=’%Y%m%d‘）

print（mem_usage（optimized_gl））

optimized_gl.date.head（）

104.29 MB

0 1871-05-04

1 1871-05-05

2 1871-05-06

3 1871-05-08

4 1871-05-09

Name： date， dtype： datetime64［ns］

在读入数据的同时选择类型

现在，我们已经探索了减少现有 dataframe 的内存占用的方法。通过首先读入 dataframe，然后在这个过程中迭代以减少内存占用，我们了解了每种优化方法可以带来的内存减省量。但是正如我们前面提到的一样，我们往往没有足够的内存来表示数据集中的所有值。如果我们一开始甚至无法创建 dataframe，我们又可以怎样应用节省内存的技术呢？

幸运的是，我们可以在读入数据的同时指定最优的列类型。pandas.read_csv（） 函数有几个不同的参数让我们可以做到这一点。dtype 参数接受具有（字符串）列名称作为键值（key）以及 NumPy 类型 object 作为值的词典。

首先，我们可将每一列的最终类型存储在一个词典中，其中键值表示列名称，首先移除日期列，因为日期列需要不同的处理方式。

dtypes = optimized_gl.drop（’date‘，axis=1）.dtypes

dtypes_col = dtypes.index

dtypes_type = ［i.name for i in dtypes.values］

column_types = dict（zip（dtypes_col， dtypes_type））

# rather than print all 161 items， we’ll

# sample 10 key/value pairs from the dict

# and print it nicely using prettyprint

preview = first2pairs = {key:value for key，value in list（column_types.items（））［：10］}

import pprint

pp = pp = pprint.PrettyPrinter（indent=4）

pp.pprint（preview）

{ ‘acquisition_info’： ‘category’，

‘h_caught_stealing’： ‘float32’，

‘h_player_1_name’： ‘category’，

‘h_player_9_name’： ‘category’，

‘v_assists’： ‘float32’，

‘v_first_catcher_interference’： ‘float32’，

‘v_grounded_into_double’： ‘float32’，

‘v_player_1_id’： ‘category’，

‘v_player_3_id’： ‘category’，

‘v_player_5_id’： ‘category’}

现在我们可以使用这个词典了，另外还有几个参数可用于按正确的类型读入日期，而且仅需几行代码：

read_and_optimized = pd.read_csv（‘game_logs.csv’，dtype=column_types，parse_dates=［‘date’］，infer_datetime_format=True）

print（mem_usage（read_and_optimized））

read_and_optimized.head（）

104.28 MB

上图完整图像详见原文

通过优化这些列，我们成功将 pandas 的内存占用从 861.6MB 减少到了 104.28MB——减少了惊人的 88%！

分析棒球比赛

现在我们已经优化好了我们的数据，我们可以执行一些分析了。让我们先从了解这些比赛的日期分布开始。

optimized_gl［‘year’］ = optimized_gl.date.dt.year

games_per_day = optimized_gl.pivot_table（index=‘year’，columns=‘day_of_week’，values=‘date’，aggfunc=len）

games_per_day = games_per_day.divide（games_per_day.sum（axis=1），axis=0）

ax = games_per_day.plot（kind=‘area’，stacked=‘true’）

ax.legend（loc=‘upper right’）

ax.set_ylim（0，1）

plt.show（）

我们可以看到在 1920 年代以前，星期日的棒球比赛很少，但在上个世纪后半叶就变得越来越多了。

我们也可以清楚地看到过去 50 年来，比赛的日期分布基本上没什么大变化了。

让我们再看看比赛时长的变化情况：

game_lengths = optimized_gl.pivot_table（index=‘year’， values=‘length_minutes’）

game_lengths.reset_index（）.plot.scatter（‘year’，‘length_minutes’）

plt.show（）

从 1940 年代以来，棒球比赛的持续时间越来越长。

总结和下一步

我们已经了解了 pandas 使用不同数据类型的方法，然后我们使用这种知识将一个 pandas dataframe 的内存用量减少了近 90%，而且也仅使用了一些简单的技术：

将数值列向下转换成更高效的类型

将字符串列转换成 categorical 类型

责任编辑：haq