pandas 0.23 - DataFrame.memory_usage()
pandas.DataFrame.memory_usage

pandas.DataFrame.memory_usage
-
DataFrame.memory_usage(index=True, deep=False)
[source] -
बाइट्स में प्रत्येक कॉलम का मेमोरी उपयोग लौटाएं।
मेमोरी उपयोग वैकल्पिक रूप से
object
dtype के सूचकांक और तत्वों के योगदान को शामिल कर सकता है।यह मान डिफ़ॉल्ट रूप से
DataFrame.info
में प्रदर्शित होता है। यहpandas.options.display.memory_usage
को गलत पर सेट करके दबाया जा सकता है।पैरामीटर: सूचकांक : बूल, डिफ़ॉल्ट सही
निर्दिष्ट करता है कि क्या दिए गए श्रृंखला में डेटाफ्रेम के सूचकांक के मेमोरी उपयोग को शामिल करना है। यदि
index=True
का मेमोरी उपयोगindex=True
है तो आउटपुट में पहला आइटम।गहरी : बूल, डिफ़ॉल्ट गलत
यदि यह सही है, तो सिस्टम-स्तरीय मेमोरी खपत के लिए
object
dtypes से पूछताछ करके डेटा को गहन रूप से आत्मसात करें और इसे लौटे हुए मानों में शामिल करें।यह दिखाता है: आकार : श्रृंखला
एक श्रृंखला जिसका सूचकांक मूल कॉलम नाम है और जिसका मान बाइट्स में प्रत्येक कॉलम का मेमोरी उपयोग है।
यह भी देखें
-
numpy.ndarray.nbytes
- एक ndarray के तत्वों द्वारा खपत कुल बाइट्स।
-
Series.memory_usage
- बाइट्स एक श्रृंखला द्वारा सेवन किया जाता है।
-
pandas.Categorical
- कई दोहराया मूल्यों के साथ स्ट्रिंग मूल्यों के लिए मेमोरी-कुशल सरणी।
-
DataFrame.info
- एक DataFrame का संक्षिप्त सारांश।
उदाहरण
>>> dtypes = ['int64', 'float64', 'complex128', 'object', 'bool'] >>> data = dict([(t, np.ones(shape=5000).astype(t)) ... for t in dtypes]) >>> df = pd.DataFrame(data) >>> df.head() int64 float64 complex128 object bool 0 1 1.0 (1+0j) 1 True 1 1 1.0 (1+0j) 1 True 2 1 1.0 (1+0j) 1 True 3 1 1.0 (1+0j) 1 True 4 1 1.0 (1+0j) 1 True
>>> df.memory_usage() Index 80 int64 40000 float64 40000 complex128 80000 object 40000 bool 5000 dtype: int64
>>> df.memory_usage(index=False) int64 40000 float64 40000 complex128 80000 object 40000 bool 5000 dtype: int64
object
dtype कॉलम की मेमोरी फ़ुटप्रिंट को डिफ़ॉल्ट रूप से अनदेखा किया जाता है:>>> df.memory_usage(deep=True) Index 80 int64 40000 float64 40000 complex128 80000 object 160000 bool 5000 dtype: int64
कई दोहराए गए मानों के साथ ऑब्जेक्ट-डीटीपी कॉलम के कुशल भंडारण के लिए एक श्रेणीबद्ध का उपयोग करें।
>>> df['object'].astype('category').memory_usage(deep=True) 5168
-