dask_expr._collection.DataFrame.memory_usage
dask_expr._collection.DataFrame.memory_usage¶
- DataFrame.memory_usage(deep=False, index=True)[源代码]¶
返回每个列的内存使用情况，以字节为单位。
此文档字符串是从 pandas.core.frame.DataFrame.memory_usage 复制而来的。
Dask 版本可能存在一些不一致性。
内存使用情况可以选择性地包括索引和 object dtype 元素的贡献。
此值默认在 DataFrame.info 中显示。可以通过将
pandas.options.display.memory_usage设置为 False 来抑制显示。- 参数
- 索引bool, 默认 True
指定是否在返回的 Series 中包含 DataFrame 索引的内存使用情况。如果
index=True，则索引的内存使用情况是输出的第一项。- 深度bool, 默认 False
如果为 True，则通过查询 object 数据类型来深入检查数据，以获取系统级内存消耗，并将其包含在返回值中。
- 返回
- 系列
一个序列，其索引是原始列名，其值是每列的内存使用量（以字节为单位）。
参见
numpy.ndarray.nbytesndarray 元素消耗的总字节数。
Series.memory_usage一个 Series 消耗的字节数。
Categorical用于字符串值的高效内存数组，适用于重复值较多的情况。
DataFrame.infoDataFrame 的简明摘要。
注释
更多详情请参见 常见问题。
示例
>>> dtypes = ['int64', 'float64', 'complex128', 'object', 'bool'] >>> data = dict([(t, np.ones(shape=5000, dtype=int).astype(t)) ... for t in dtypes]) >>> df = pd.DataFrame(data) >>> df.head() int64 float64 complex128 object bool 0 1 1.0 1.0+0.0j 1 True 1 1 1.0 1.0+0.0j 1 True 2 1 1.0 1.0+0.0j 1 True 3 1 1.0 1.0+0.0j 1 True 4 1 1.0 1.0+0.0j 1 True
>>> df.memory_usage() Index 128 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
默认情况下，object dtype 列的内存占用被忽略：
>>> df.memory_usage(deep=True) Index 128 int64 40000 float64 40000 complex128 80000 object 180000 bool 5000 dtype: int64
使用分类类型（Categorical）来高效存储一个对象类型的列，该列包含许多重复值。
>>> df['object'].astype('category').memory_usage(deep=True) 5244