问题描述
好…经过大量挖掘，这是怎么回事。PandasDataFrame使用BlockManager该类在内部组织数据。与文档相反，DataFrame不是系列的集合，而是类似dtyped矩阵的集合
。Blockmanger将所有float列组合在一起，将所有int列组合在一起，等等…，并且它们的内存（据我所知）保持在一起。
如果提供单个ndarray矩阵（单个类型），则无需复制内存即可做到这一点。请注意，BlockManager（理论上）还支持在其构造中不复制混合类型数据，因为可能不必将此输入复制到相同类型的块中。但是，如果单个矩阵是数据参数，则DataFrame构造函数不会仅进行复制。
简而言之，如果您将混合类型或多个数组作为构造函数的输入，或者为dict提供单个数组，则您在Pandas中不走运，DataFrame的默认BlockManager将复制您的数据。
无论如何，解决此问题的一种方法是强制BlockManager不要按类型合并，而是将每列保留为单独的“块”。所以，有了猴子修补魔法…
from pandas.core.internals import BlockManager
class BlockManagerunconsolidated(BlockManager):
def __init__(self, *args, **kwargs):
BlockManager.__init__(self, *args, **kwargs)
self._is_consolidated = False
self._kNown_consolidated = False
def _consolidate_inplace(self): pass
def _consolidate(self): return self.blocks
def df_from_arrays(arrays, columns, index):
from pandas.core.internals import make_block
def gen():
_len = None
p = 0
for a in arrays:
if _len is None:
_len = len(a)
assert len(index) == _len
assert _len == len(a)
yield make_block(values=a.reshape((1,_len)), placement=(p,))
p+=1
blocks = tuple(gen())
mgr = BlockManagerunconsolidated(blocks=blocks, axes=[columns, index])
return pd.DataFrame(mgr, copy=False)
如果指定copy = False，则DataFrame或Blockmanger最好具有consolidate = False（或假设有此行为）。
去测试：
def assert_readonly(iloc):
try:
iloc[0] = 999 # Should be non-editable
raise Exception("MUST BE READ ONLY (1)")
except ValueError as e:
assert "read-only" in e.message
# Original ndarray
n = 1000
_arr = np.arange(0,1000, dtype=float)
# Convert it to a memmap
mm = np.memmap(filename, mode='w+', shape=_arr.shape, dtype=_arr.dtype)
mm[:] = _arr[:]
del _arr
mm.flush()
mm.flags['WRITEABLE'] = False # Make immutable!
df = df_from_arrays(
[mm, mm, mm],
columns=['a', 'b', 'c'],
index=range(len(mm)))
assert_read_only(df["a"].iloc)
assert_read_only(df["b"].iloc)
assert_read_only(df["c"].iloc)
对于我来说，将BlockManager类似类型的数据保存在一起是否真的有实际的好处-在Pandas中的大多数操作都是按行标签或逐列进行操作-
这是DataFrame由于结构的异构通常仅通过其索引关联的列。尽管可行的是，他们在每个“块”中保留一个索引，但是如果索引在块中保留偏移量，则可以从中受益（如果是这种情况，那么他们应该按进行分组sizeof(dtype)，我认为情况并非如此）。呵呵…
看来有逐步淘汰BlockManager的明智计划，因此您的工作量很多。
另请参阅引擎盖下的熊猫，这对我很有帮助。
解决方法
似乎我可以通过创建mmap’d ndarray并使用它来初始化python系列的memmap底层数据。
def assert_readonly(iloc):
try:
iloc[0] = 999 # Should be non-editable
raise Exception("MUST BE READ ONLY (1)")
except ValueError as e:
assert "read-only" in e.message
# Original ndarray
n = 1000
_arr = np.arange(0,1000,dtype=float)
# Convert it to a memmap
mm = np.memmap(filename,mode='w+',shape=_arr.shape,dtype=_arr.dtype)
mm[:] = _arr[:]
del _arr
mm.flush()
mm.flags['WRITEABLE'] = False # Make immutable!
# Wrap as a series
s = pd.Series(mm,name="a")
assert_readonly(s.iloc)
成功！似乎它s由只读的内存映射ndarray支持。我可以对DataFrame做同样的事情吗？以下失败
df = pd.DataFrame(s,copy=False,columns=['a'])
assert_readonly(df["a"]) # Fails
以下成功，但仅适用于一列：
df = pd.DataFrame(mm.reshape(len(mm,1)),columns=['a'],copy=False)
assert_readonly(df["a"]) # Succeeds
…这样我 就可以 不复制而制作DF。但是，这仅适用于一列，我想要很多。我发现了用于组合1列DF的方法：pd.concat（.. copy =
False），pd.merge（copy = False），…产生副本。
我有成千上万的大列作为数据文件，一次只需要几列。我希望能够将它们的mmap表示形式放置在上面的DataFrame中。可能吗？
Pandas文档使我们很难猜测这里到底发生了什么-尽管它确实说一个DataFrame
“可以认为是Series对象的类似dict的容器”。。我开始不再是这种情况了。
我宁愿不需要HD5来解决这个问题。