关于python：Pandas DataFrame.merge MemoryError

Pandas DataFrame.merge MemoryError

目标

我的目标是通过它们的共同列(基因名称)合并两个DataFrame，这样我就可以在每个基因行中获取每个基因得分的乘积。然后，我会对患者和细胞进行groupby，并对每个患者的所有分数求和。最终数据框应如下所示：

1
2
3
4
5
6
7
8
9
10

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

最后一部分应该可以正常工作，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的代码段。

数据

cell_s =

1
2
3
4
5
6
7
8
9
10

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约为10,000,000行

patient_s =

1
2
3
4
5
6
7
8
9
10
11

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约为1,200,000行

码

1
2
3
4
5
6
7
8
9
10
11
12
13

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

最初read_csv这些文件时我得到了一个MemoryError，但是然后指定dtypes解决了这个问题。确认我的python是64位也没有解决我的问题。我没有达到熊猫的限制，是吗？

Python 3.4.3 | Anaconda 2.3.0(64位)| 熊猫0.16.2

相关讨论

考虑两个解决方法：

CSV By CHUNKS

显然，read_csv可能会遇到性能问题，因此大文件必须以迭代的块加载。

1
2
3
4
5
6
7

cellsfilepath = 'C:\\Path\To\Cells\CSVFile.csv'
tp = pd.io.parsers.read_csv(cellsfilepath, sep=',', iterator=True, chunksize=1000)
cell_s = pd.concat(tp, ignore_index=True)

patientsfilepath = 'C:\\Path\To\Patients\CSVFile.csv'
tp = pd.io.parsers.read_csv(patientsfilepath, sep=',', iterator=True, chunksize=1000)
patient_s = pd.concat(tp, ignore_index=True)

CSV VIA SQL

作为一个数据库人员，我总是建议处理大型数据加载和合并/加入SQL关系引擎，这种引擎可以很好地扩展到这些进程。我已经写了很多关于数据帧合并的评论Q / As这个效果 - 即使在R.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)，甚至在哪里你的dfs派生了。 Python为SQLite维护一个内置库(否则你使用ODBC); 和数据帧可以使用pandas to_sql作为表推送到数据库中：

1
2
3
4
5
6
7
8
9
10
11
12
13

import sqlite3

dbfile = 'C:\\Path\To\SQlitedb.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)