介绍
在本实验中，我们将学习如何在 Python Pandas 中使用 DataFrame.memory_usage() 方法。该方法允许我们计算 DataFrame 中每一列的内存使用情况。我们将通过示例逐步讲解如何使用此方法。
虚拟机提示
虚拟机启动完成后，点击左上角切换到 Notebook 选项卡以访问 Jupyter Notebook 进行练习。
有时，你可能需要等待几秒钟，直到 Jupyter Notebook 完成加载。由于 Jupyter Notebook 的限制，操作验证无法自动化。
如果你在学习过程中遇到问题，随时可以向 Labby 提问。实验结束后请提供反馈，我们将及时为你解决问题。
导入必要的库并创建 DataFrame
- 在开始之前，我们先导入
pandas库并创建一个 DataFrame。 - 使用一些示例数据创建一个 DataFrame。
## 导入 pandas 库
import pandas as pd
## 创建 DataFrame
df = pd.DataFrame({'Name': ['Abhishek', 'Anurag', 'Divya'],
'Roll No': [100, 101, 104]})
查看 DataFrame 并计算内存使用情况
- 现在，让我们查看创建的 DataFrame，并使用
DataFrame.memory_usage()方法计算其内存使用情况。
## 查看 DataFrame
print("----------The DataFrame is---------")
print(df)
print("-----------------------------------")
## 计算内存使用情况
print(df.memory_usage())
在内存使用计算中排除索引
- 默认情况下，
DataFrame.memory_usage()方法会包含 DataFrame 索引的内存使用情况。如果我们希望在内存使用计算中排除索引，可以将index参数设置为False。
## 计算内存使用情况（排除索引）
print(df.memory_usage(index=False))
获取整体内存消耗
- 我们还可以通过结合使用
DataFrame.memory_usage()方法和sum()函数来获取 DataFrame 列的整体内存消耗。
## 获取整体内存消耗
print(df.memory_usage(index=False).sum())
总结
在本实验中，我们学习了如何在 Python Pandas 中使用 DataFrame.memory_usage() 方法。该方法允许我们计算 DataFrame 中每一列的内存使用情况。我们可以根据需求在内存使用计算中包含或排除索引，还可以获取 DataFrame 列的整体内存消耗。了解 DataFrame 的内存使用情况有助于优化代码并提高性能。