Pandas DataFrame.merge内存错误

Question

目标

我的目标是通过它们的公共列(基因名称(合并两个DataFrames，这样我就可以在每个基因行中获得每个基因得分的乘积。然后，我会对患者和细胞进行groupby，并将每个细胞的所有得分相加。最终的数据帧应该是这样的：

    patient  cell 
    Pat_1    22RV1    12
             DU145    15
             LN18      9
    Pat_2    22RV1    12
             DU145    15
             LN18      9
    Pat_3    22RV1    12
             DU145    15
             LN18      9

最后一部分应该很好，但由于MemoryError，我无法对基因名称进行第一次合并。以下是每个DataFrame的片段。

数据

cell_s=

    Description          Name                      level_2  0
0  LOC100009676  100009676_at  LN18_CENTRAL_NERVOUS_SYSTEM  1
1  LOC100009676  100009676_at               22RV1_PROSTATE  2
2  LOC100009676  100009676_at               DU145_PROSTATE  3
3          AKT3      10000_at  LN18_CENTRAL_NERVOUS_SYSTEM  4
4          AKT3      10000_at               22RV1_PROSTATE  5
5          AKT3      10000_at               DU145_PROSTATE  6
6          MED6      10001_at  LN18_CENTRAL_NERVOUS_SYSTEM  7
7          MED6      10001_at               22RV1_PROSTATE  8
8          MED6      10001_at               DU145_PROSTATE  9

cell_s大约是10000000行

patient_s=

             id level_1  0
0          MED6   Pat_1  1
1          MED6   Pat_2  1
2          MED6   Pat_3  1
3  LOC100009676   Pat_1  2
4  LOC100009676   Pat_2  2
5  LOC100009676   Pat_3  2
6          ABCD   Pat_1  3
7          ABCD   Pat_2  3
8          ABCD   Pat_3  3
    ....

patient_s大约是1200000行

代码

def get_score(cell, patient):
    cell_s = cell.set_index(['Description', 'Name']).stack().reset_index()
    cell_s.columns = ['Description', 'Name', 'cell', 's1']
    patient_s = patient.set_index('id').stack().reset_index()
    patient_s.columns = ['id', 'patient', 's2']
    # fails here:
    merged = cell_s.merge(patient_s, left_on='Description', right_on='id')
    merged['score'] = merged.s1 * merged.s2
    scores = merged.groupby(['patient','cell'])['score'].sum()
    return scores

当最初read_csv处理这些文件时，我收到了一个MemoryError，但后来指定数据类型解决了这个问题。确认我的python是64位也没有解决我的问题。我还没有达到熊猫的极限，是吗？

Python 3.4.3 | Anaconda 2.3.0(64位(| Pandas 0.16.2

Answer 1

考虑两种解决方案：

CSV By CHUNKS

显然，read_csv可能会遇到性能问题，因此必须以迭代块的形式加载大文件。

cellsfilepath = 'C:\PathToCellsCSVFile.csv'
tp = pd.io.parsers.read_csv(cellsfilepath, sep=',', iterator=True, chunksize=1000)
cell_s = pd.concat(tp, ignore_index=True)
patientsfilepath = 'C:\PathToPatientsCSVFile.csv'
tp = pd.io.parsers.read_csv(patientsfilepath, sep=',', iterator=True, chunksize=1000)
patient_s = pd.concat(tp, ignore_index=True)

CSV VIA SQL

作为一名数据库专家，我总是建议处理大量数据负载，并使用SQL关系引擎进行合并/连接，该引擎可以很好地扩展此类进程。我已经写了很多关于数据帧合并Q/a的评论，甚至在R中也是如此。你可以使用任何SQL数据库，包括文件服务器dbs(Access、SQLite(或客户端服务器dbs(MySQL、MSSQL或其他(，即使你的dfs是从哪里派生的。Python为SQLite维护了一个内置库(否则使用ODBC(；并且可以使用pandasto_sql:将数据帧作为表推送到数据库中

import sqlite3
dbfile = 'C:\PathToSQlitedb.sqlite'
cxn = sqlite3.connect(dbfile)
c = cxn.cursor()
cells_s.to_sql(name='cell_s', con = cxn, if_exists='replace')
patient_s.to_sql(name='patient_s', con = cxn, if_exists='replace')
strSQL = 'SELECT * FROM cell_s c INNER JOIN patient_s p ON c.Description = p.id;'
# MIGHT HAVE TO ADJUST ABOVE FOR CELL AND PATIENT PARAMS IN DEFINED FUNCTION
merged = pd.read_sql(strSQL, cxn)

Answer 2

您可能需要分块完成，或者查看火焰。http://blaze.pydata.org