在数据分析中，使用大型数据帧通常会导致内存错误。为了解决这个问题，将数据帧分割成更小的、可管理的块可能是一个有价值的策略。本文探讨了如何根据特定列（特别是 AcctName）有效地将大型数据帧分割成块。
您可以使用列表理解来实现此切片：
<code class="python">import numpy as np
import pandas as pd
# Define the chunk size
n = 200,000
# Create a list to store the chunks
list_df = []
# Extract unique AcctName values
AcctNames = df['AcctName'].unique()
# Create a dictionary of dataframes for each AcctName
DataFrameDict = {acct: pd.DataFrame for acct in AcctNames}
# Split the dataframe into chunks by AcctName
for acct in DataFrameDict.keys():
DataFrameDict[acct] = df[df['AcctName'] == acct]
# Apply your function to the chunk
trans_times_2(DataFrameDict[acct])
list_df.append(DataFrameDict[acct])
# Rejoin the chunks into a single dataframe
rejoined_df = pd.concat(list_df)</code>或者，您可以利用 NumPy 的 array_split 函数：
<code class="python">list_df = np.array_split(df, math.ceil(len(df) / n))</code>
此方法创建一个块列表，您可以单独访问它。
要重新组装原始数据帧，只需使用 pd.concat：
<code class="python">rejoined_df = pd.concat(list_df)</code>
通过利用这些技术，您可以有效地将大型数据帧分割成更小的块，应用必要的转换，然后将结果数据重新组装成单个数据帧。这种方法可以显着减少内存使用并提高数据处理操作的效率。
以上是如何通过 AcctName 将大型 Pandas DataFrame 有效地切成块？的详细内容。更多信息请关注PHP中文网其他相关文章！
