pandas的內(nèi)存使用以及選擇合適的數(shù)據(jù)類型

選自DATAQUEST

作者：Josh Devlin

機(jī)器之心編譯

當(dāng)使用 pandas 操作小規(guī)模數(shù)據(jù)（低于 100 MB）時(shí)，性能一般不是問題。而當(dāng)面對更大規(guī)模的數(shù)據(jù)（100 MB 到數(shù) GB）時(shí)，性能問題會(huì)讓運(yùn)行時(shí)間變得更漫長，而且會(huì)因?yàn)閮?nèi)存不足導(dǎo)致運(yùn)行完全失敗。

盡管 Spark 這樣的工具可以處理大型數(shù)據(jù)集（100 GB 到數(shù) TB），但要完全利用它們的能力，往往需要更加昂貴的硬件。而且和 pandas 不同，它們?nèi)鄙儇S富的用于高質(zhì)量數(shù)據(jù)清理、探索和分析的功能集。對于中等規(guī)模的數(shù)據(jù)，我們最好能更充分地利用 pandas，而不是換成另一種工具。

在這篇文章中，我們將了解 pandas 的內(nèi)存使用，以及如何只需通過為列選擇合適的數(shù)據(jù)類型就能將 dataframe 的內(nèi)存占用減少近 90%。

處理棒球比賽日志

我們將處理 130 年之久的美國職業(yè)棒球大聯(lián)盟（MLB）比賽數(shù)據(jù)，這些數(shù)據(jù)來自 Retrosheet：http://www.retrosheet.org/gamelogs/index.html。

這些數(shù)據(jù)原來分成了 127 個(gè)不同的 CSV 文件，但我們已經(jīng)使用 csvkit 合并了這些數(shù)據(jù)，并在第一行增加了列名稱。如果你想下載本文所用的這個(gè)數(shù)據(jù)版本，請?jiān)L問：https://data.world/dataquest/mlb-game-logs。

讓我們首先導(dǎo)入數(shù)據(jù)，并看看其中的前五行：

import pandas as pd

gl = pd.read_csv（‘game_logs.csv’）

gl.head（）

下面我們總結(jié)了一些重要的列，但如果你想了解所有的列，我們也為整個(gè)數(shù)據(jù)集創(chuàng)建了一個(gè)數(shù)據(jù)詞典：https://data.world/dataquest/mlb-game-logs/workspace/data-dictionary。

date - 比賽時(shí)間

v_name - 客隊(duì)名

v_league - 客隊(duì)聯(lián)盟

h_name - 主隊(duì)名

h_league - 主隊(duì)聯(lián)盟

v_score - 客隊(duì)得分

h_score - 主隊(duì)得分

v_line_score - 客隊(duì)每局得分排列，例如：010000（10）00.

h_line_score - 主隊(duì)每局得分排列，例如：010000（10）0X.

park_id - 比賽舉辦的球場名

attendance- 比賽觀眾

我們可以使用 DataFrame.info（） 方法為我們提供關(guān)于 dataframe 的高層面信息，包括它的大小、數(shù)據(jù)類型的信息和內(nèi)存使用情況。

默認(rèn)情況下，pandas 會(huì)近似 dataframe 的內(nèi)存用量以節(jié)省時(shí)間。因?yàn)槲覀円碴P(guān)心準(zhǔn)確度，所以我們將 memory_usage 參數(shù)設(shè)置為 ‘deep’，以便得到準(zhǔn)確的數(shù)字。

gl.info（memory_usage=‘deep’）

《class ‘pandas.core.frame.DataFrame’》

RangeIndex： 171907 entries， 0 to 171906

Columns： 161 entries， date to acquisition_info

dtypes： float64（77）， int64（6）， object（78）

memory usage： 861.6 MB

我們可以看到，我們有 171，907 行和 161 列。pandas 會(huì)自動(dòng)為我們檢測數(shù)據(jù)類型，發(fā)現(xiàn)其中有 83 列數(shù)據(jù)是數(shù)值，78 列是 object。object 是指有字符串或包含混合數(shù)據(jù)類型的情況。

為了更好地理解如何減少內(nèi)存用量，讓我們看看 pandas 是如何將數(shù)據(jù)存儲(chǔ)在內(nèi)存中的。

dataframe 的內(nèi)部表示

在 pandas 內(nèi)部，同樣數(shù)據(jù)類型的列會(huì)組織成同一個(gè)值塊（blocks of values）。這里給出了一個(gè)示例，說明了 pandas 對我們的 dataframe 的前 12 列的存儲(chǔ)方式。

你可以看到這些塊并沒有保留原有的列名稱。這是因?yàn)檫@些塊為存儲(chǔ) dataframe 中的實(shí)際值進(jìn)行了優(yōu)化。pandas 的 BlockManager 類則負(fù)責(zé)保留行列索引與實(shí)際塊之間的映射關(guān)系。它可以作為一個(gè) API 使用，提供了對底層數(shù)據(jù)的訪問。不管我們何時(shí)選擇、編輯或刪除這些值，dataframe 類和 BlockManager 類的接口都會(huì)將我們的請求翻譯成函數(shù)和方法的調(diào)用。

在 pandas.core.internals 模塊中，每一種類型都有一個(gè)專門的類。pandas 使用 ObjectBlock 類來表示包含字符串列的塊，用 FloatBlock 類表示包含浮點(diǎn)數(shù)列的塊。對于表示整型數(shù)和浮點(diǎn)數(shù)這些數(shù)值的塊，pandas 會(huì)將這些列組合起來，存儲(chǔ)成 NumPy ndarray。NumPy ndarray 是圍繞 C 語言的數(shù)組構(gòu)建的，其中的值存儲(chǔ)在內(nèi)存的連續(xù)塊中。這種存儲(chǔ)方案使得對值的訪問速度非?？臁?/p>

因?yàn)槊糠N數(shù)據(jù)類型都是分開存儲(chǔ)的，所以我們將檢查不同數(shù)據(jù)類型的內(nèi)存使用情況。首先，我們先來看看各個(gè)數(shù)據(jù)類型的平均內(nèi)存用量。

for dtype in ［‘float’，‘int’，‘object’］：

selected_dtype = gl.select_dtypes（include=［dtype］）

mean_usage_b = selected_dtype.memory_usage（deep=True）.mean（）

mean_usage_mb = mean_usage_b / 1024 ** 2

print（“Average memory usage for {} columns： {：03.2f} MB”.format（dtype，mean_usage_mb））

Average memory usage for float columns： 1.29 MB

Average memory usage for int columns： 1.12 MB

Average memory usage for object columns： 9.53 MB

可以看出，78 個(gè) object 列所使用的內(nèi)存量最大。我們后面再具體談這個(gè)問題。首先我們看看能否改進(jìn)數(shù)值列的內(nèi)存用量。

理解子類型（subtype）

正如我們前面簡單提到的那樣，pandas 內(nèi)部將數(shù)值表示為 NumPy ndarrays，并將它們存儲(chǔ)在內(nèi)存的連續(xù)塊中。這種存儲(chǔ)模式占用的空間更少，而且也讓我們可以快速訪問這些值。因?yàn)?pandas 表示同一類型的每個(gè)值時(shí)都使用同樣的字節(jié)數(shù)，而 NumPy ndarray 可以存儲(chǔ)值的數(shù)量，所以 pandas 可以快速準(zhǔn)確地返回一個(gè)數(shù)值列所消耗的字節(jié)數(shù)。

pandas 中的許多類型都有多個(gè)子類型，這些子類型可以使用更少的字節(jié)來表示每個(gè)值。比如說 float 類型就包含 float16、float32 和 float64 子類型。類型名稱中的數(shù)字就代表該類型表示值的位（bit）數(shù)。比如說，我們剛剛列出的子類型就分別使用了 2、4、8、16 個(gè)字節(jié)。下面的表格給出了 pandas 中最常用類型的子類型：

一個(gè) int8 類型的值使用 1 個(gè)字節(jié)的存儲(chǔ)空間，可以表示 256（2^8）個(gè)二進(jìn)制數(shù)。這意味著我們可以使用這個(gè)子類型來表示從 -128 到 127（包括 0）的所有整數(shù)值。

我們可以使用 numpy.iinfo 類來驗(yàn)證每個(gè)整型數(shù)子類型的最大值和最小值。舉個(gè)例子：

import numpy as np

int_types = ［“uint8”， “int8”， “int16”］

for it in int_types：

print（np.iinfo（it））

Machine parameters for uint8

---------------------------------------------------------------

min = 0

max = 255

---------------------------------------------------------------

Machine parameters for int8

---------------------------------------------------------------

min = -128

max = 127

---------------------------------------------------------------

Machine parameters for int16

---------------------------------------------------------------

min = -32768

max = 32767

---------------------------------------------------------------

這里我們可以看到 uint（無符號整型）和 int（有符號整型）之間的差異。這兩種類型都有一樣的存儲(chǔ)能力，但其中一個(gè)只保存 0 和正數(shù)。無符號整型讓我們可以更有效地處理只有正數(shù)值的列。

使用子類型優(yōu)化數(shù)值列

我們可以使用函數(shù) pd.to_numeric（） 來對我們的數(shù)值類型進(jìn)行 downcast（向下轉(zhuǎn)型）操作。我們會(huì)使用 DataFrame.select_dtypes 來選擇整型列，然后我們會(huì)對其數(shù)據(jù)類型進(jìn)行優(yōu)化，并比較內(nèi)存用量。

# We‘re going to be calculating memory usage a lot，

# so we’ll create a function to save us some time！

def mem_usage（pandas_obj）：

if isinstance（pandas_obj，pd.DataFrame）：

usage_b = pandas_obj.memory_usage（deep=True）.sum（）

else： # we assume if not a df it‘s a series

usage_b = pandas_obj.memory_usage（deep=True）

usage_mb = usage_b / 1024 ** 2 # convert bytes to megabytes

return “{：03.2f} MB”.format（usage_mb）

gl_int = gl.select_dtypes（include=［’int‘］）

converted_int = gl_int.apply（pd.to_numeric，downcast=’unsigned‘）

print（mem_usage（gl_int））

print（mem_usage（converted_int））

compare_ints = pd.concat（［gl_int.dtypes，converted_int.dtypes］，axis=1）

compare_ints.columns = ［’before‘，’after‘］

compare_ints.apply（pd.Series.value_counts）

7.87 MB

1.48 MB

我們可以看到內(nèi)存用量從 7.9 MB 下降到了 1.5 MB，降低了 80% 以上。但這對我們原有 dataframe 的影響并不大，因?yàn)槠渲械恼土蟹浅Ｉ佟?/p>

讓我們對其中的浮點(diǎn)型列進(jìn)行一樣的操作。

gl_float = gl.select_dtypes（include=［’float‘］）

converted_float = gl_float.apply（pd.to_numeric，downcast=’float‘）

print（mem_usage（gl_float））

print（mem_usage（converted_float））

compare_floats = pd.concat（［gl_float.dtypes，converted_float.dtypes］，axis=1）

compare_floats.columns = ［’before‘，’after‘］

compare_floats.apply（pd.Series.value_counts）

100.99 MB

50.49 MB

我們可以看到浮點(diǎn)型列的數(shù)據(jù)類型從 float64 變成了 float32，讓內(nèi)存用量降低了 50%。

讓我們?yōu)樵?dataframe 創(chuàng)建一個(gè)副本，并用這些優(yōu)化后的列替換原來的列，然后看看我們現(xiàn)在的整體內(nèi)存用量。

optimized_gl = gl.copy（）

optimized_gl［converted_int.columns］ = converted_int

optimized_gl［converted_float.columns］ = converted_float

print（mem_usage（gl））

print（mem_usage（optimized_gl））

861.57 MB

804.69 MB

盡管我們極大地減少了數(shù)值列的內(nèi)存用量，但整體的內(nèi)存用量僅減少了 7%。我們的大部分收獲都將來自對 object 類型的優(yōu)化。

在我們開始行動(dòng)之前，先看看 pandas 中字符串的存儲(chǔ)方式與數(shù)值類型的存儲(chǔ)方式的比較。

數(shù)值存儲(chǔ)與字符串存儲(chǔ)的比較

object 類型表示使用 Python 字符串對象的值，部分原因是 NumPy 不支持缺失（missing）字符串類型。因?yàn)?Python 是一種高級的解釋性語言，它對內(nèi)存中存儲(chǔ)的值沒有細(xì)粒度的控制能力。

這一限制導(dǎo)致字符串的存儲(chǔ)方式很碎片化，從而會(huì)消耗更多內(nèi)存，而且訪問速度也更慢。object 列中的每個(gè)元素實(shí)際上都是一個(gè)指針，包含了實(shí)際值在內(nèi)存中的位置的「地址」。

下面這幅圖給出了以 NumPy 數(shù)據(jù)類型存儲(chǔ)數(shù)值數(shù)據(jù)和使用 Python 內(nèi)置類型存儲(chǔ)字符串?dāng)?shù)據(jù)的方式。

圖片來源：https://jakevdp.github.io/blog/2014/05/09/why-python-is-slow/

在前面的表格中，你可能已經(jīng)注意到 object 類型的內(nèi)存使用是可變的。盡管每個(gè)指針僅占用 1 字節(jié)的內(nèi)存，但如果每個(gè)字符串在 Python 中都是單獨(dú)存儲(chǔ)的，那就會(huì)占用實(shí)際字符串那么大的空間。我們可以使用 sys.getsizeof（） 函數(shù)來證明這一點(diǎn)，首先查看單個(gè)的字符串，然后查看 pandas series 中的項(xiàng)。

from sys import getsizeof

s1 = ’working out‘

s2 = ’memory usage for‘

s3 = ’strings in python is fun！‘

s4 = ’strings in python is fun！‘

for s in ［s1， s2， s3， s4］：

print（getsizeof（s））

60

65

74

74

obj_series = pd.Series（［’working out‘，

’memory usage for‘，

’strings in python is fun！‘，

’strings in python is fun！‘］）

obj_series.apply（getsizeof）

0 60

1 65

2 74

3 74

dtype： int64

你可以看到，當(dāng)存儲(chǔ)在 pandas series 時(shí)，字符串的大小與用 Python 單獨(dú)存儲(chǔ)的字符串的大小是一樣的。

使用 Categoricals 優(yōu)化 object 類型

pandas 在 0.15 版引入了 Categorials。category 類型在底層使用了整型值來表示一個(gè)列中的值，而不是使用原始值。pandas 使用一個(gè)單獨(dú)的映射詞典將這些整型值映射到原始值。只要當(dāng)一個(gè)列包含有限的值的集合時(shí)，這種方法就很有用。當(dāng)我們將一列轉(zhuǎn)換成 category dtype 時(shí)，pandas 就使用最節(jié)省空間的 int 子類型來表示該列中的所有不同值。

為了了解為什么我們可以使用這種類型來減少內(nèi)存用量，讓我們看看我們的 object 類型中每種類型的不同值的數(shù)量。

gl_obj = gl.select_dtypes（include=［’object‘］）.copy（）

gl_obj.describe（）

上圖完整圖像詳見原文

大概看看就能發(fā)現(xiàn)，對于我們整個(gè)數(shù)據(jù)集的 172，000 場比賽，其中不同（unique）值的數(shù)量可以說非常少。

為了了解當(dāng)我們將其轉(zhuǎn)換成 categorical 類型時(shí)究竟發(fā)生了什么，我們拿出一個(gè) object 列來看看。我們將使用數(shù)據(jù)集的第二列 day_of_week.

看看上表，可以看到其僅包含 7 個(gè)不同的值。我們將使用 .astype（） 方法將其轉(zhuǎn)換成 categorical 類型。

dow = gl_obj.day_of_week

print（dow.head（））

dow_cat = dow.astype（’category‘）

print（dow_cat.head（））

0 Thu

1 Fri

2 Sat

3 Mon

4 Tue

Name： day_of_week， dtype： object

0 Thu

1 Fri

2 Sat

3 Mon

4 Tue

Name： day_of_week， dtype： category

Categories （7， object）： ［Fri， Mon， Sat， Sun， Thu， Tue， Wed］

如你所見，除了這一列的類型發(fā)生了改變之外，數(shù)據(jù)看起來還是完全一樣。讓我們看看這背后發(fā)生了什么。

在下面的代碼中，我們使用了 Series.cat.codes 屬性來返回 category 類型用來表示每個(gè)值的整型值。

dow_cat.head（）.cat.codes

0 4

1 0

2 2

3 1

4 5

dtype： int8

你可以看到每個(gè)不同值都被分配了一個(gè)整型值，而該列現(xiàn)在的基本數(shù)據(jù)類型是 int8。這一列沒有任何缺失值，但就算有，category 子類型也能處理，只需將其設(shè)置為 -1 即可。

最后，讓我們看看在將這一列轉(zhuǎn)換為 category 類型前后的內(nèi)存用量對比。

print（mem_usage（dow））

print（mem_usage（dow_cat））

9.84 MB

0.16 MB

9.8 MB 的內(nèi)存用量減少到了 0.16 MB，減少了 98%！注意，這個(gè)特定列可能代表了我們最好的情況之一——即大約 172，000 項(xiàng)卻只有 7 個(gè)不同的值。

盡管將所有列都轉(zhuǎn)換成這種類型聽起來很吸引人，但了解其中的取舍也很重要。最大的壞處是無法執(zhí)行數(shù)值計(jì)算。如果沒有首先將其轉(zhuǎn)換成數(shù)值 dtype，那么我們就無法對 category 列進(jìn)行算術(shù)運(yùn)算，也就是說無法使用 Series.min（） 和 Series.max（） 等方法。

我們應(yīng)該堅(jiān)持主要將 category 類型用于不同值的數(shù)量少于值的總數(shù)量的 50% 的 object 列。如果一列中的所有值都是不同的，那么 category 類型所使用的內(nèi)存將會(huì)更多。因?yàn)檫@一列不僅要存儲(chǔ)所有的原始字符串值，還要額外存儲(chǔ)它們的整型值代碼。你可以在 pandas 文檔中了解 category 類型的局限性：http://pandas.pydata.org/pandas-docs/stable/categorical.html。

我們將編寫一個(gè)循環(huán)函數(shù)來迭代式地檢查每一 object 列中不同值的數(shù)量是否少于 50%；如果是，就將其轉(zhuǎn)換成 category 類型。

converted_obj = pd.DataFrame（）

for col in gl_obj.columns：

num_unique_values = len（gl_obj［col］.unique（））

num_total_values = len（gl_obj［col］）

if num_unique_values / num_total_values 《 0.5：

converted_obj.loc［：，col］ = gl_obj［col］.astype（’category‘）

else：

converted_obj.loc［：，col］ = gl_obj［col］

和之前一樣進(jìn)行比較：

print（mem_usage（gl_obj））

print（mem_usage（converted_obj））

compare_obj = pd.concat（［gl_obj.dtypes，converted_obj.dtypes］，axis=1）

compare_obj.columns = ［’before‘，’after‘］

compare_obj.apply（pd.Series.value_counts）

752.72 MB

51.67 MB

在這個(gè)案例中，所有的 object 列都被轉(zhuǎn)換成了 category 類型，但并非所有數(shù)據(jù)集都是如此，所以你應(yīng)該使用上面的流程進(jìn)行檢查。

object 列的內(nèi)存用量從 752MB 減少到了 52MB，減少了 93%。讓我們將其與我們 dataframe 的其它部分結(jié)合起來，看看從最初 861MB 的基礎(chǔ)上實(shí)現(xiàn)了多少進(jìn)步。

optimized_gl［converted_obj.columns］ = converted_obj

mem_usage（optimized_gl）

’103.64 MB‘

Wow，進(jìn)展真是不錯(cuò)！我們還可以執(zhí)行另一項(xiàng)優(yōu)化——如果你記得前面給出的數(shù)據(jù)類型表，你知道還有一個(gè) datetime 類型。這個(gè)數(shù)據(jù)集的第一列就可以使用這個(gè)類型。

date = optimized_gl.date

print（mem_usage（date））

date.head（）

0.66 MB

0 18710504

1 18710505

2 18710506

3 18710508

4 18710509

Name： date， dtype： uint32

你可能記得這一列開始是一個(gè)整型，現(xiàn)在已經(jīng)優(yōu)化成了 unint32 類型。因此，將其轉(zhuǎn)換成 datetime 類型實(shí)際上會(huì)讓內(nèi)存用量翻倍，因?yàn)?datetime 類型是 64 位的。將其轉(zhuǎn)換成 datetime 類型是有價(jià)值的，因?yàn)檫@讓我們可以更好地進(jìn)行時(shí)間序列分析。

pandas.to_datetime（） 函數(shù)可以幫我們完成這種轉(zhuǎn)換，使用其 format 參數(shù)將我們的日期數(shù)據(jù)存儲(chǔ)成 YYYY-MM-DD 形式。

optimized_gl［’date‘］ = pd.to_datetime（date，format=’%Y%m%d‘）

print（mem_usage（optimized_gl））

optimized_gl.date.head（）

104.29 MB

0 1871-05-04

1 1871-05-05

2 1871-05-06

3 1871-05-08

4 1871-05-09

Name： date， dtype： datetime64［ns］

在讀入數(shù)據(jù)的同時(shí)選擇類型

現(xiàn)在，我們已經(jīng)探索了減少現(xiàn)有 dataframe 的內(nèi)存占用的方法。通過首先讀入 dataframe，然后在這個(gè)過程中迭代以減少內(nèi)存占用，我們了解了每種優(yōu)化方法可以帶來的內(nèi)存減省量。但是正如我們前面提到的一樣，我們往往沒有足夠的內(nèi)存來表示數(shù)據(jù)集中的所有值。如果我們一開始甚至無法創(chuàng)建 dataframe，我們又可以怎樣應(yīng)用節(jié)省內(nèi)存的技術(shù)呢？

幸運(yùn)的是，我們可以在讀入數(shù)據(jù)的同時(shí)指定最優(yōu)的列類型。pandas.read_csv（） 函數(shù)有幾個(gè)不同的參數(shù)讓我們可以做到這一點(diǎn)。dtype 參數(shù)接受具有（字符串）列名稱作為鍵值（key）以及 NumPy 類型 object 作為值的詞典。

首先，我們可將每一列的最終類型存儲(chǔ)在一個(gè)詞典中，其中鍵值表示列名稱，首先移除日期列，因?yàn)槿掌诹行枰煌奶幚矸绞健?/p>

dtypes = optimized_gl.drop（’date‘，axis=1）.dtypes

dtypes_col = dtypes.index

dtypes_type = ［i.name for i in dtypes.values］

column_types = dict（zip（dtypes_col， dtypes_type））

# rather than print all 161 items， we’ll

# sample 10 key/value pairs from the dict

# and print it nicely using prettyprint

preview = first2pairs = {key:value for key，value in list（column_types.items（））［：10］}

import pprint

pp = pp = pprint.PrettyPrinter（indent=4）

pp.pprint（preview）

{ ‘a(chǎn)cquisition_info’： ‘category’，

‘h_caught_stealing’： ‘float32’，

‘h_player_1_name’： ‘category’，

‘h_player_9_name’： ‘category’，

‘v_assists’： ‘float32’，

‘v_first_catcher_interference’： ‘float32’，

‘v_grounded_into_double’： ‘float32’，

‘v_player_1_id’： ‘category’，

‘v_player_3_id’： ‘category’，

‘v_player_5_id’： ‘category’}

現(xiàn)在我們可以使用這個(gè)詞典了，另外還有幾個(gè)參數(shù)可用于按正確的類型讀入日期，而且僅需幾行代碼：

read_and_optimized = pd.read_csv（‘game_logs.csv’，dtype=column_types，parse_dates=［‘date’］，infer_datetime_format=True）

print（mem_usage（read_and_optimized））

read_and_optimized.head（）

104.28 MB

上圖完整圖像詳見原文

通過優(yōu)化這些列，我們成功將 pandas 的內(nèi)存占用從 861.6MB 減少到了 104.28MB——減少了驚人的 88%！

分析棒球比賽

現(xiàn)在我們已經(jīng)優(yōu)化好了我們的數(shù)據(jù)，我們可以執(zhí)行一些分析了。讓我們先從了解這些比賽的日期分布開始。

optimized_gl［‘year’］ = optimized_gl.date.dt.year

games_per_day = optimized_gl.pivot_table（index=‘year’，columns=‘day_of_week’，values=‘date’，aggfunc=len）

games_per_day = games_per_day.divide（games_per_day.sum（axis=1），axis=0）

ax = games_per_day.plot（kind=‘a(chǎn)rea’，stacked=‘true’）

ax.legend（loc=‘upper right’）

ax.set_ylim（0，1）

plt.show（）

我們可以看到在 1920 年代以前，星期日的棒球比賽很少，但在上個(gè)世紀(jì)后半葉就變得越來越多了。

我們也可以清楚地看到過去 50 年來，比賽的日期分布基本上沒什么大變化了。

讓我們再看看比賽時(shí)長的變化情況：

game_lengths = optimized_gl.pivot_table（index=‘year’， values=‘length_minutes’）

game_lengths.reset_index（）.plot.scatter（‘year’，‘length_minutes’）

plt.show（）

從 1940 年代以來，棒球比賽的持續(xù)時(shí)間越來越長。

總結(jié)和下一步

我們已經(jīng)了解了 pandas 使用不同數(shù)據(jù)類型的方法，然后我們使用這種知識(shí)將一個(gè) pandas dataframe 的內(nèi)存用量減少了近 90%，而且也僅使用了一些簡單的技術(shù)：

將數(shù)值列向下轉(zhuǎn)換成更高效的類型

將字符串列轉(zhuǎn)換成 categorical 類型

責(zé)任編輯：haq