传统的numpy对象保存为parquet的方法是使用Pandas作为中间件。然而,我正在处理大量数据,这些数据在Pandas中需要占用大量RAM,以至于环境会崩溃。
我需要保存到Parquet,因为我正在处理numpy中的可变长度数组,所以对于这种情况,parquet实际上比.npy或.hdf5文件节省了更小的空间。
以下代码是一个最小的示例,它下载了我的一小部分数据,并在Pandas对象和Numpy对象之间进行转换,以测量它们消耗的RAM,并将其保存为npy和parquet文件,以查看它们占用多少磁盘空间。
# Download sample file, about 10 mbs
from sys import getsizeof
import requests
import pickle
import numpy as np
import pandas as pd
import os
def download_file_from_google_drive(id, destination):
URL = "https://docs.google.com/uc?export=download"
session = requests.Session()
response = session.get(URL, params = { 'id' : id }, stream = True)
token = get_confirm_token(response)
if token:
params = { 'id' : id, 'confirm' : token }
response = session.get(URL, params = params, stream = True)
save_response_content(response, destination)
def get_confirm_token(response):
for key, value in response.cookies.items():
if key.startswith('download_warning'):
return value
return None
def save_response_content(response, destination):
CHUNK_SIZE = 32768
with open(destination, "wb") as f:
for chunk in response.iter_content(CHUNK_SIZE):
if chunk: # filter out keep-alive new chunks
f.write(chunk)
download_file_from_google_drive('1-0R28Yhdrq2QWQ-4MXHIZUdZG2WZK2qR', 'sample.pkl')
sampleDF = pd.read_pickle('sample.pkl')
sampleDF.to_parquet( 'test1.pqt', compression = 'brotli', index = False )
# Parquet file takes up little space
os.path.getsize('test1.pqt')
6594712
getsizeof(sampleDF)
22827172
sampleDF['totalCites2'] = sampleDF['totalCites2'].apply(lambda x: np.array(x))
#RAM reduced if the variable length batches are in numpy
getsizeof(sampleDF)
22401764
#Much less RAM as a numpy object
sampleNumpy = sampleDF.values
getsizeof(sampleNumpy)
112
# Much more space in .npy form
np.save( 'test2.npy', sampleNumpy)
os.path.getsize('test2.npy')
20825382
# Numpy savez. Not as good as parquet
np.savez_compressed( 'test3.npy', sampleNumpy )
os.path.getsize('test3.npy.npz')
9873964
sys.getsizeof
不是衡量内存使用的好方法。 - hpauljndarray
的nbytes
,它只是每个元素的大小(通常为4-8字节)乘以元素数量。一个DataFrame
可能会将其数据存储在一个类似大小的数组中。但是如果您有数组的数组或列表(对象dtype),则必须考虑这些对象的大小。没有一个数字或衡量标准;您必须了解数据对象的结构。 - hpauljpandas.SparseArray
和其他文档。 - Andrew Laverspickle.load
加载了sample.pkl
文件。结果是一个DataFrame
。换句话说,鉴于数据源,您无法绕过 pandas。这是第二列中包含列表的版本。您的apply
命令将它们转换为数组,但长度在 5 到 100 之间并没有太大区别。这是一个对象 dtype 列。 - hpaulj