Dividi un grande dataframe panda

Ho un grande dataframe con 423244 linee. Voglio dividerlo in 4. Ho provato il seguente codice che ha dato un errore?ValueError: array split does not result in an equal division

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

Come dividere questo dataframe in 4 gruppi?

Usa 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]

Volevo fare lo stesso, e ho avuto prima problemi con la funzione di divisione, poi problemi con l'installazione di panda 0.15.2, quindi sono tornato alla mia vecchia versione e ho scritto una piccola funzione che funziona molto bene. Spero che questo possa aiutare!

# input - df: a Dataframe, chunkSize: the chunk size
# output - a list of DataFrame
# purpose - splits the DataFrame into smaller chunks
def split_dataframe(df, chunk_size = 10000): 
    chunks = list()
    num_chunks = len(df) // chunk_size + 1
    for i in range(num_chunks):
        chunks.append(df[i*chunk_size:(i+1)*chunk_size])
    return chunks

Immagino che ora possiamo usare pianura iloccon rangeper questo.

chunk_size = int(df.shape[0] / 4)
for start in range(0, df.shape[0], chunk_size):
    df_subset = df.iloc[start:start + chunk_size]
    process_data(df_subset)
    ....

Tieni presente che np.array_split(df, 3)divide il dataframe in 3 sub-dataframe, mentre la split_dataframefunzione definita nella risposta di @ elixir , quando chiamata come split_dataframe(df, chunk_size=3), divide il dataframe ogni chunk_sizeriga.

Esempio:

Con np.array_split:

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

... ottieni 3 sub-dataframe:

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

Con split_dataframe:

df_split2 = split_dataframe(df, chunk_size=3)

... ottieni 4 sub-dataframe:

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

Spero di aver ragione e che questo sia utile.

Attenzione:

np.array_splitnon funziona con numpy-1.9.0. Ho verificato: funziona con 1.8.1.

Errore:

Il dataframe non ha l'attributo "size"

Puoi usare groupby, supponendo che tu abbia un indice enumerato intero:

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)]

Nota: groupbyrestituisce una tupla in cui il 2 ° elemento è il dataframe, quindi l'estrazione leggermente complicata.

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

Ho anche riscontrato che np.array_split non funzionava con Pandas DataFrame, la mia soluzione era di dividere solo l'indice del DataFrame e quindi introdurre una nuova colonna con l'etichetta "group":

indexes = np.array_split(df.index,N, axis=0)
for i,index in enumerate(indexes):
   df.loc[index,'group'] = i

Ciò rende le operazioni di grouby molto convenienti, ad esempio il calcolo del valore medio di ciascun gruppo:

df.groupby(by='group').mean()

è possibile utilizzare le liste di comprensione per farlo in una singola riga

n = 4
chunks = [df[i:i+n] for i in range(0,df.shape[0],n)]