Разделить большой фреймворк pandas

У меня есть большой блок данных с 423244 строками. Я хочу разбить это на 4. Я пробовал следующий код, который дал ошибку? ValueError: array split does not result in an equal division

for item in np.split(df, 4):
    print item

Как разбить этот файл данных на 4 группы?

Ответ 1

Используйте np.array_split:

Docstring:
Split an array into multiple sub-arrays.

Please refer to the ``split`` documentation.  The only difference
between these functions is that ``array_split`` allows
`indices_or_sections` to be an integer that does *not* equally
divide the axis.

In [1]: import pandas as pd

In [2]: df = pd.DataFrame({'A' : ['foo', 'bar', 'foo', 'bar',
   ...:                           'foo', 'bar', 'foo', 'foo'],
   ...:                    'B' : ['one', 'one', 'two', 'three',
   ...:                           'two', 'two', 'one', 'three'],
   ...:                    'C' : randn(8), 'D' : randn(8)})

In [3]: print df
     A      B         C         D
0  foo    one -0.174067 -0.608579
1  bar    one -0.860386 -1.210518
2  foo    two  0.614102  1.689837
3  bar  three -0.284792 -1.071160
4  foo    two  0.843610  0.803712
5  bar    two -1.514722  0.870861
6  foo    one  0.131529 -0.968151
7  foo  three -1.002946 -0.257468

In [4]: import numpy as np
In [5]: np.array_split(df, 3)
Out[5]: 
[     A    B         C         D
0  foo  one -0.174067 -0.608579
1  bar  one -0.860386 -1.210518
2  foo  two  0.614102  1.689837,
      A      B         C         D
3  bar  three -0.284792 -1.071160
4  foo    two  0.843610  0.803712
5  bar    two -1.514722  0.870861,
      A      B         C         D
6  foo    one  0.131529 -0.968151
7  foo  three -1.002946 -0.257468]

Ответ 2

Я хотел сделать то же самое, и у меня были первые проблемы с разделением, а затем проблемы с установкой pandas 0.15.2, поэтому я вернулся к своей старой версии и написал небольшую функцию, которая работает очень хорошо. Надеюсь, это поможет!

# input - df: a Dataframe, chunkSize: the chunk size
# output - a list of DataFrame
# purpose - splits the DataFrame into smaller of max size chunkSize (last is smaller)
def splitDataFrameIntoSmaller(df, chunkSize = 10000): 
    listOfDf = list()
    numberChunks = len(df) // chunkSize + 1
    for i in range(numberChunks):
        listOfDf.append(df[i*chunkSize:(i+1)*chunkSize])
    return listOfDf

Ответ 3

Внимание:

np.array_split не работает с numpy-1.9.0. Я проверил: он работает с 1.8.1.

Ошибка:

Dataframe не имеет атрибута 'size'

Ответ 4

Имейте в виду, что np.array_split(df, 3) разделяет фрейм данных на 3 подфайла данных, тогда как splitDataFrameIntoSmaller(df, chunkSize = 3) разбивает блок данных каждые chunkSize строки.

Пример:

df = pd.DataFrame([1,2,3,4,5,6,7,8,9,10,11], columns=['TEST'])
df_split = np.array_split(df, 3)

Вы получаете 3 суб-dataframes:

df_split[0] # 1, 2, 3, 4
df_split[1] # 5, 6, 7, 8
df_split[2] # 9, 10, 11

df_split2 = splitDataFrameIntoSmaller(df, chunkSize = 3)

Вы получаете 4 под-данных:

df_split2[0] # 1, 2, 3
df_split2[1] # 4, 5, 6
df_split2[2] # 7, 8, 9
df_split2[3] # 10, 11

Надеюсь, что я прав, надеюсь, что это полезно.

Ответ 5

Вы можете использовать groupby, предполагая, что у вас есть индексом с целым числом:

import math
df = pd.DataFrame(dict(sample=np.arange(99)))
rows_per_subframe = math.ceil(len(df) / 4.)

subframes = [i[1] for i in df.groupby(np.arange(len(df))//rows_per_subframe)]

Примечание: groupby возвращает кортеж, в котором 2-й элемент является фреймворком данных, таким образом, немного сложное извлечение.

>>> len(subframes), [len(i) for i in subframes]
(4, [25, 25, 25, 24])