Día 9: Optimización de Memoria y Rendimiento

Día 9: Optimización de Memoria y Rendimiento

Bienvenida

¡Hola de nuevo! 💻 Hoy aprenderemos a optimizar el uso de memoria y mejorar el rendimiento en Pandas. Estas técnicas son esenciales para manejar grandes conjuntos de datos en proyectos de machine learning. ¡Comencemos!

Reducción del Uso de Memoria

Pandas proporciona dos métodos para reducir el uso de memoria:

Sentencia memory_usage()

Muestra el uso de memoria de cada columna en bytes.

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]})

print(df.memory_usage())

Sentencia df.astype()

Convierte un DataFrame a un tipo de dato especificado.

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]})

df = df.astype({'A': 'int8', 'B': 'int16', 'C': 'int32'})

Optimización de consultas

Pandas proporciona varias funciones para optimizar consultas en un DataFrame:

Sentencia query()

Filtra datos de manera eficiente.

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]})

filtered_df = df.query('A > 2')

Sentencia eval()

Evaluación de expresiones complejas de manera eficiente en un DataFrame.

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]})

evaluated_df = df.eval('A + B')

Comparando Rendimiento

Pandas proporciona varias funciones para comparar el rendimiento de diferentes operaciones en un DataFrame:

Sentencia compare()

Comparación de dos DataFrames.

import pandas as pd

df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]})

%timeit df[df['A'] > 1]
%timeit df.query('A > 1')

%timeit muestra el tiempo de ejecución de una sentencia.

Preguntas del Día 9

Prueba tus conocimientos sobre Pandas

¿Qué método se utiliza para cambiar los tipos de datos en un DataFrame?

¿Qué función se usa para evaluar expresiones complejas de manera eficiente?

Ejercicios con Pandas

  • Reduce el uso de memoria de un DataFrame cambiando los tipos de datos.
  • Compara el rendimiento de .query() vs filtrado tradicional.
  • Optimiza la velocidad de evaluación de expresiones complejas en un DataFrame.

¡Felicidades por completar este curso intensivo de Pandas! 🎊 Ahora tienes las herramientas necesarias para manipular, analizar y optimizar datos en Python. Estas habilidades son fundamentales para proyectos de machine learning. ¡Sigue practicando y explorando nuevas bibliotecas para fortalecer tus conocimientos! Gracias por acompañarme en este viaje. ¡Nos vemos en futuros proyectos! 😊