Pandas：将字典系列保存到磁盘

Question

我有一个 python pandas 系列字典：

id           dicts
1            {'5': 1, '8': 20, '1800': 2}
2            {'2': 2, '8': 1, '1000': 25, '1651': 1}
...          ...
...          ...
...          ...
20000000     {'2': 1, '10': 20}

字典中的(key, value)表示('feature', count)。存在大约 2000 个独特的功能。

该系列在 pandas 中的内存使用量约为 500MB。 将此对象写入磁盘的最佳方法是什么（理想情况下磁盘空间使用率低，并且写入速度快，之后读取速度快）？

考虑的选项（并尝试了前 2 个）：
- to_csv（但将字典视为字符串，因此之后转换回字典非常慢）
- cPickle（但在执行期间内存不足）
- 转换为 scipy 稀疏矩阵结构

Answer 1

我很好奇你的Series 怎么只占用 500MB。如果您使用.memory_usage 方法，这将只返回每个 python 对象引用使用的总内存，这是您的 Series 存储的所有内存。这不考虑字典的实际内存。粗略计算 20,000,000 * 288 字节 = 5.76GB 应该是你的内存使用量。 288 字节是每个字典所需内存的保守估计。

转换为稀疏矩阵

无论如何，请尝试以下方法将您的数据转换为稀疏矩阵表示：

import numpy as np, pandas as pd
from sklearn.feature_extraction import DictVectorizer
from scipy.sparse import csr_matrix
import pickle

我会使用ints 而不是字符串作为键，因为这将在以后保持正确的顺序。所以，假设你的系列名为dict_series：

dict_series = dict_series.apply(lambda d: {int(k):d[k] for k in d}

这可能会占用大量内存，您最好从一开始就使用ints 作为键创建Series 或dicts。或者干脆你可以跳过这一步。现在，构建你的稀疏矩阵：

dv = DictVectorizer(dtype=np.int32)
sparse = dv.fit_transform(dict_series)

保存到磁盘

现在，基本上，您的稀疏矩阵可以从 3 个字段重构：sparse.data、sparse.indices、sparse.indptr，以及可选的sparse.shape。保存加载数组sparse.data、sparse.indices、sparse.indptr 的最快和最节省内存的方法是使用 np.ndarray tofile 方法，它将数组保存为原始字节。来自documentation：

这是一个方便快速存储数组数据的功能。 关于字节顺序和精度的信息丢失了，所以这种方法不是 用于归档数据或传输数据的文件的理想选择 不同字节序的机器之间。

因此，此方法会丢失任何 dtype 信息和字节序。前一个问题可以简单地通过事先记下数据类型来解决，无论如何你都会使用 np.int32 。如果您在本地工作，后一个问题不是问题，但如果可移植性很重要，您将需要研究存储信息的替代方法。

# to save
sparse.data.tofile('data.dat')
sparse.indices.tofile('indices.dat')
sparse.indptr.tofile('indptr.dat')
# don't forget your dict vectorizer!
with open('dv.pickle', 'wb') as f:
    pickle.dump(dv,f) # pickle your dv to be able to recover your original data!

恢复一切：

with open('dv.pickle', 'rb') as f:
    dv = pickle.load(f)

sparse = csr_matrix((np.fromfile('data.dat', dtype = np.int32),
                     np.fromfile('indices.dat', dtype = np.int32),
                     np.fromfile('indptr.dat', dtype = np.int32))

original = pd.Series(dv.inverse_transform(sparse))