当我合并两个熊猫数据帧时出现MemoryError

Question

我几乎在整个互联网上进行搜索，但对于我来说，这些方法似乎都不起作用。

我有两个大型的csv文件（每个文件都有一百万+行，大小约为300-400MB）。它们可以使用 read_csv 函数很好地加载到数据帧中，而不必使用
chunksize 参数。我什至对这些数据执行了一些次要的操作，例如新的列生成，过滤等。

但是，当我尝试合并这两个框架时，出现了 MemoryError 。我什至尝试使用SQLite完成合并，但徒劳无功。该操作需要永远。

我的是Windows 8 PC，具有8GB RAM。Python版本是2.7

谢谢。

编辑：我也尝试了分块方法。当我这样做时，我没有得到MemoryError，但是RAM使用量激增并且我的系统崩溃了。

Answer 1

使用pandas.merge合并数据时，它将使用df1内存，df2内存和merge_df内存。我相信这就是为什么您遇到内存错误的原因。您应该将df2导出到csv文件，并使用chunksize选项并合并数据。

这可能是一个更好的方法，但是您可以尝试一下。*对于大数据集，您可以在pandas.read_csv中使用chunksize选项

df1 = pd.read_csv("yourdata.csv")
df2 = pd.read_csv("yourdata2.csv")
df2_key = df2.Colname2

# creating a empty bucket to save result
df_result = pd.DataFrame(columns=(df1.columns.append(df2.columns)).unique())
df_result.to_csv("df3.csv",index_label=False)

# save data which only appear in df1 # sorry I was doing left join here. no need to run below two line.
# df_result = df1[df1.Colname1.isin(df2.Colname2)!=True]
# df_result.to_csv("df3.csv",index_label=False, mode="a")

# deleting df2 to save memory
del(df2)

def preprocess(x):
    df2=pd.merge(df1,x, left_on = "Colname1", right_on = "Colname2")
    df2.to_csv("df3.csv",mode="a",header=False,index=False)

reader = pd.read_csv("yourdata2.csv", chunksize=1000) # chunksize depends with you colsize

[preprocess(r) for r in reader]

这会将合并的数据另存为df3。