Pandas：将一系列字典保存到磁盘

我有一个 python pandas 系列词典：

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)代表('feature', count)。存在大约 2000 个独特功能。

该系列在 pandas 中的内存使用量约为 500MB。 将该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较低，并且写入速度快并且之后读回速度快）？

考虑的选项（并尝试了前两个）：
- to_csv（但将字典视为字符串，因此之后转换回字典非常慢）
- cPickle（但在执行过程中内存不足）
- 转换为 scipy 稀疏矩阵结构

我很好奇你的Series仅占用500MB。如果您正在使用.memory_usage方法，这只会返回每个 python 对象引用使用的总内存，这是您的 Series 存储的所有内存。这并没有考虑到字典的实际内存。粗略计算 20,000,000 * 288 字节 = 5.76GB 应该是您的内存使用量。 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，假设您的系列名为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，您最好简单地创建您的Series of dicts using ints 从一开始就作为键。或者您可以直接跳过此步骤。现在，构建稀疏矩阵：

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

保存到磁盘

现在，本质上，您的稀疏矩阵可以从 3 个字段重建：sparse.data, sparse.indices, sparse.indptr，可选地，sparse.shape。节省数组负载的最快且最有效的内存方法sparse.data, sparse.indices, sparse.indptr是使用 np.ndarraytofile方法，它将数组保存为原始字节。来自文档 http://docs.scipy.org/doc/numpy/reference/generated/numpy.ndarray.tofile.html:

这是快速存储阵列数据的便捷功能。 有关字节顺序和精度的信息丢失，因此该方法不适用 对于用于归档数据或传输数据的文件来说是一个不错的选择 具有不同字节序的机器之间。

因此，此方法会丢失任何数据类型信息和字节顺序。前一个问题可以通过事先记下数据类型来解决，无论如何您都会使用 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!

要恢复一切：

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))