翻译 可视化：参数low_memory and dtype options什么鬼 ? Pandas.read_csv()

Pandas read_csv low_memory and dtype options 敢问这什么鬼？

---

提问者：Josh，2014 Jun 16 at 19:56

当处理

df = pd.read_csv('somefile.csv')

我得到

\Users\Python\Python36\python.exe E:/Python/111.py
sys:1: DtypeWarning: Columns (3) have mixed types. Specify dtype option on import or set low_memory=False.

low_memory为毛跟dtype扯上关系了？还有就是设定False就能解决问题的原理是什么？

---

回答者：firelynx，Dec 1 '14 at 16:04

• The deprecated low_memory option

low_memory选项再次没有被恰当地废掉，但是真心该废，因为实际上没起啥用（source_link）

你得到low_memory警示的原因就是pandas推测各字段dtypes（数据类型）很占内存：对字段里的每个数据都分析确定dtype。

• 数据类型推断（极差）

只有在整个文件读取完了Pandas才能确定字段的dtype。这意味着在读取完之前，啥信息都解析不到，除非你在读完某字段最后一个值那一刻冒险更改该字段的dtype。

举个栗子看，比如有个含有user_id字段的10000万行大小的文件，通常user_id都是数字类型。因为pandas不清数它是否全是数字，在读取玩整个文件前，pandas可能会把它先当成字符串类型处理。

• 规定数据类型（永远都该做的事儿）

在pd.read_csv()里边加dtype={'user_id':int}，pandas在开始读取数据时就知道了：它全是int类型数据。

不过当user_id含有字符串类型数比如“foobar”的时候，这个方法就不仅没啥用，还会把读取进程弄崩溃。就像这样：

import pandas as pd
from StringIO import StringIO

csvdata =
"""
user_id, username
1, Alice
3, Bob
foobar, Caesar
"""

sio = StringIO(csvdata)
pd.read_csv(sio, dtype={"user_id":int, "username":object})

ValueError: invalidliteral for long() with base 10:'foobar'

dtype是个典型的numpy库的事儿，具体细节看这：
http://docs.scipy.org/doc/numpy/reference/generated/numpy.dtype.html

• 那么dtype都有哪些类型呢？

这些是numpy，也是在pandas里用的

[numpy.generic,
 [[numpy.number,
   [[numpy.integer,
     [[numpy.signedinteger,
       [numpy.int8,
        numpy.int16,
        numpy.int32,
        numpy.int64,
        numpy.int64,
        numpy.timedelta64]],
      [numpy.unsignedinteger,
       [numpy.uint8,
        numpy.uint16,
        numpy.uint32,
        numpy.uint64,
        numpy.uint64]]]],
    [numpy.inexact,
     [[numpy.floating,
       [numpy.float16, numpy.float32, numpy.float64, numpy.float128]],
      [numpy.complexfloating,
       [numpy.complex64, numpy.complex128, numpy.complex256]]]]]],
  [numpy.flexible,
   [[numpy.character, [numpy.bytes_, numpy.str_]],
    [numpy.void, [numpy.record]]]],
  numpy.bool_,
  numpy.datetime64,
  numpy.object_]]

Pandas自己又弄了2个：categorical和datetime64[ns, tz]，numpy里边不能用。

Pandas字符类型查阅链接

• 杂项，注意，附注

设定dtype=object之后可以消除上边的Low-memory警告，但是在提高memory efficiency上没有作用，非要说有作用的话那就是对process efficiency而言。

设定dtype=unicode啥用都没有，因为对于numpy来说（pandas可以说是定制版Numpy），一个unicode被当做object对象的。

• 关于使用转换函数

如sparrow指出的，转换函数确实可以让程序在处理如被转换为int格式字段中的“foobar”时不报错，这很对。我想补充的是，转换函数在pandas上运行起来很笨重、效率很低，不到万不得已就不用。因为read_csv是单线程的。

csv格式可以一行一行处理的，通过分割成多个部分来进行多线程处理，但是pandas不支持。这就是另个一个话题了这里不讨论。