Метод memory_usage

Метод memory_usage применяется к DataFrame и возвращает Series с объёмом памяти, занимаемым каждым столбцом. Параметр index указывает, включать ли в результат память индекса. По умолчанию index=True, что включает размер индекса. Параметр deep позволяет учитывать память самих объектов (например, строки в столбцах с типом object). По умолчанию deep=False, что даёт приблизительную оценку памяти.

Синтаксис

df.memory_usage(index=True, deep=False)

Пример

Давайте получим память для каждого столбца таблицы:

import pandas as pd

df = pd.DataFrame({
	'a': [1, 2, 3, 4, 5],
	'b': [10, 20, 30, 40, 50]
})
print(df.memory_usage())

Результат выполнения кода:

Index	128
a		 40
b		 40
dtype: int64

В результате видно, что индекс и каждый столбец занимают по 40 байт для 5 элементов типа int64.

Пример

Давайте исключим память индекса из результата:

import pandas as pd

df = pd.DataFrame({
	'a': [1, 2, 3, 4, 5],
	'b': [10, 20, 30, 40, 50]
})
print(df.memory_usage(index=False))

Результат выполнения кода:

a	40
b	40
dtype: int64

Пример

Рассмотрим глубокую оценку памяти для столбцов со строками:

import pandas as pd

df = pd.DataFrame({
	'a': [1, 2, 3],
	'b': ['abcde', 'article', 'user']
})
print(df.memory_usage(deep=True))

Результат выполнения кода:

Index	128
a		 24
b		211
dtype: int64

В этом случае для столбца b отображается реальный объём памяти, занимаемый строками.

Пример

Получим общий объём памяти всей таблицы с помощью метода sum:

import pandas as pd

df = pd.DataFrame({
	'a': [1, 2, 3, 4, 5],
	'b': [10, 20, 30, 40, 50]
})
total = df.memory_usage().sum()
print(total)

Результат выполнения кода:

208

Смотрите также

метод info,
который выводит сводку по таблице, включая память
метод astype,
который изменяет типы данных для экономии памяти
метод convert_dtypes,
который автоматически подбирает типы данных
метод select_dtypes,
который выбирает столбцы по типам данных