数据预处理pandas pd.json_normalize占用内存过大优化

最新推荐文章于 2024-12-04 14:25:31 发布

姚贤贤

最新推荐文章于 2024-12-04 14:25:31 发布

阅读量606

点赞数

CC 4.0 BY-SA版权

文章标签： pandas json_normalize 内存内存溢出

本文链接：https://blog.csdn.net/u011311291/article/details/134524971

文章讨论了在使用pandas处理从ES下载的大量JSON数据时，如何因数据解析导致内存占用剧增的问题。解决方法包括分批读取、指定字段类型和合理管理内存。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

问题描述

从ES下载数据，数据格式为json，然后由pandas进行解析，json中的嵌套字段会进行展开作为列名(由于维度初期无法预测，所以根据数据有啥列就使用啥列，这是最方便的点)，变成表格，方面了后续的处理，但在使用过程却发现原本6.xG的数据量在解析，预处理时候会变成60多G，甚至80G的内存占用，资源难以满足

解决

为了方便测试，使用了一个300MB大小的数据进行测试
1.为什么原本的300MB数据量会占用2G内存呢，仅仅下面一个操作

df = pd.json_normalize(datas)

思考:
(1)python是面向全对象语言，所以里面每一个数值都会是对象，这个对象很大
(2)数据集合json中的指标字段并不对齐，例如datas = [{field1:100},{“field1”:90,“field2”:12}],既然pandas是表格，总要填充
验证思考1
查询pd对象,果然用大的对象来存储，数据表中共有2732列，13列是等文本数据对应object,2675为float64,44列为int64，然而pd.json_normalize方法没有设置字段类型

print(df.info())
------------------------------------
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 100000 entries, 0 to 99999
Columns: 2732 entries, feild1 to feild2
dtypes: float64(2675), int64(44), object(13)
memory usage: 2.0+ GB

在这里插入图片描述
验证思考2
其中一个json有新的字段score,发现增加24个字节，说明每条8字节，做了填充

a1 = json.loads('{"name":"zhangsan","age":12}')
a2 = json.loads('{"name":"zhangsan","age":12}')
a3 = json.loads('{"name":"zhangsan","age":12}')
aa = list()
aa.append(a1)
aa.append(a2)
aa.append(a3)
df = pd.json_normalize(aa)
print(df.info())
---------------------------
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3 entries, 0 to 2
Data columns (total 2 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   name    3 non-null      object
 1   age     3 non-null      int64 
dtypes: int64(1), object(1)
memory usage: 176.0+ bytes

a1 = json.loads('{"name":"zhangsan","age":12}')
a2 = json.loads('{"name":"zhangsan","age":12}')
a3 = json.loads('{"name":"zhangsan","age":12,"scroe":100}')
print(df.info())
---------------------------
memory usage: 200.0+ bytes

解决问题:
(1)如果原始datas数据量太大，那么只能使用pd.json_normalize分批读取后保存csv，(后面合并的时候可能会涉及拼接，这里不展开)
(2)读取csv，指定字段和字段类型,例如读取浮点类型的字段，这里单精度float32就可以啦

pd.read_csv(path, usecols=["浮点列1","浮点列2"], dtype=np.float32)

2.可能中间过程还会涉及拆分训练集，验证集，标准化等，还可以使用del先释放不需要的内存(注意del的对象要确保无引用，否则del无效)

train_x, valid_x, train_y, valid_y = train_test_split(datas, y_index, y, test_size=0.3, random_state=42)
del datas #确保datas无其他引用