Berikut ialah beberapa pilihan tajuk, masing-masing menyerlahkan aspek penyelesaian yang berbeza: Memberi tumpuan kepada Masalah: * Bagaimana untuk Memproses Bingkai Data Panda Besar Tanpa Ralat Memori? * Ralat Memori dalam Panda:

Menghiris Bingkai Data Panda Besar

Masalah:

Percubaan untuk menghantar bingkai data yang besar melalui fungsi mengakibatkan Ralat Memori, mencadangkan saiz bingkai data adalah berlebihan. Matlamatnya adalah untuk:

1. Pecahkan bingkai data kepada segmen yang lebih kecil.
2. Lelaran melalui bahagian yang lebih kecil dalam fungsi.
3. Satukan segmen yang diproses menjadi satu bingkai data.

Penyelesaian:

Menghiris Mengikut Kiraan Baris

Memisahkan dengan kiraan baris tetap boleh dilakukan menggunakan senarai kefahaman atau array_split daripada numpy:

<code class="python">n = 200000  # Chunk row size
list_df = [df[i:i + n] for i in range(0, df.shape[0], n)]</code>

<code class="python">list_df = np.array_split(df, math.ceil(len(df) / n))</code>

Menghiris dengan AcctName

Untuk menghiris mengikut nilai lajur tertentu, seperti AcctName:

<code class="python">list_df = []

for n, g in df.groupby('AcctName'):
    list_df.append(g)</code>

Penyatuan

Setelah bingkai data besar dihiris, ia boleh dipasang semula menggunakan pd.concat:

<code class="python">consolidated_df = pd.concat(list_df)</code>

Atas ialah kandungan terperinci Berikut ialah beberapa pilihan tajuk, masing-masing menyerlahkan aspek penyelesaian yang berbeza: Memberi tumpuan kepada Masalah: * Bagaimana untuk Memproses Bingkai Data Panda Besar Tanpa Ralat Memori? * Ralat Memori dalam Panda:. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!