pandas.DataFrame.memory_usage

DataFrame.memory_usage(self, index=True, deep=False) [source]

Возвращает использование памяти каждого столбца в байтах.

Использование памяти может необязательно включать вклад индекса и элементов object типа данных.

Это значение отображается в DataFrame.info по умолчанию. Это можно отключить, установив pandas.options.display.memory_usage в значение False.

Параметры:	index : bool, default True Указывает, следует ли включать использование памяти индекса DataFrame в возвращаемом ряде. Если index=True, использование памяти индекса является первым элементом в выводе. deep : bool, default False Если True, глубоко инспектирует данные, запрашивая object типы данных для использования памяти на системном уровне и включает его в возвращаемые значения.
Возвращает:	Series Ряд, индекс которого — исходные имена столбцов, а значения — использование памяти каждого столбца в байтах.

См. также

numpy.ndarray.nbytes

Общее количество байт, потребляемых элементами ndarray.

Series.memory_usage

Байты, потребляемые серией.

Categorical

Эффективный с точки зрения памяти массив для строковых значений с множеством повторяющихся значений.

DataFrame.info

Краткое описание DataFrame.

Примеры

>>> 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    1.0+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

След памяти столбцов типа object по умолчанию игнорируется:

>>> df.memory_usage(deep=True)
Index            128
int64          40000
float64        40000
complex128     80000
object        160000
bool            5000
dtype: int64

Используйте Categorical для эффективного хранения столбца типа object с множеством повторяющихся значений.

>>> df['object'].astype('category').memory_usage(deep=True)
5216