读取一个巨大的 .csv 文件

Question

我目前正在尝试从 Python 2.7 中的 .csv 文件中读取数据，该文件最多有 100 万行和 200 列（文件范围从 100mb 到 1.6gb）。我可以对 300,000 行以下的文件执行此操作（非常缓慢），但是一旦超过此值，我就会出现内存错误。我的代码如下所示：

def getdata(filename, criteria):
    data=[]
    for criterion in criteria:
        data.append(getstuff(filename, criteron))
    return data

def getstuff(filename, criterion):
    import csv
    data=[]
    with open(filename, "rb") as csvfile:
        datareader=csv.reader(csvfile)
        for row in datareader: 
            if row[3]=="column header":
                data.append(row)
            elif len(data)<2 and row[3]!=criterion:
                pass
            elif row[3]==criterion:
                data.append(row)
            else:
                return data

getstuff 函数中的 else 子句的原因是所有符合条件的元素都会一起列在 csv 文件中，所以当我通过它们时我会离开循环以节省时间。

我的问题是：

1. 我怎样才能让它与更大的文件一起使用？

2. 有什么方法可以让它更快？

我的电脑有 8GB RAM，运行 64 位 Windows 7，处理器为 3.40 GHz（不确定您需要什么信息）。

Answer 1

您正在将所有行读入一个列表，然后处理该列表。 不要这样做。

在生成行时对其进行处理。如果您需要先过滤数据，请使用生成器函数：

import csv

def getstuff(filename, criterion):
    with open(filename, "rb") as csvfile:
        datareader = csv.reader(csvfile)
        yield next(datareader)  # yield the header row
        count = 0
        for row in datareader:
            if row[3] == criterion:
                yield row
                count += 1
            elif count:
                # done when having read a consecutive series of rows 
                return

我还简化了您的过滤器测试；逻辑相同，但更简洁。

因为您只匹配符合条件的单个行序列，您也可以使用：

import csv
from itertools import dropwhile, takewhile

def getstuff(filename, criterion):
    with open(filename, "rb") as csvfile:
        datareader = csv.reader(csvfile)
        yield next(datareader)  # yield the header row
        # first row, plus any subsequent rows that match, then stop
        # reading altogether
        # Python 2: use `for row in takewhile(...): yield row` instead
        # instead of `yield from takewhile(...)`.
        yield from takewhile(
            lambda r: r[3] == criterion,
            dropwhile(lambda r: r[3] != criterion, datareader))
        return

您现在可以直接循环 getstuff()。在getdata()中做同样的事情：

def getdata(filename, criteria):
    for criterion in criteria:
        for row in getstuff(filename, criterion):
            yield row

现在在您的代码中直接循环 getdata()：

for row in getdata(somefilename, sequence_of_criteria):
    # process row

您现在只在内存中保存 一行，而不是每个标准都有数千行。

yield 使函数成为 generator function，这意味着在您开始循环之前它不会做任何工作。

Answer 2

尽管Martijin 的回答可能是最好的。这是为初学者处理大型 csv 文件的一种更直观的方法。这允许您一次处理多组行或块。

import pandas as pd
chunksize = 10 ** 8
for chunk in pd.read_csv(filename, chunksize=chunksize):
    process(chunk)

Answer 3

我进行了大量的振动分析并查看大型数据集（数千万和数亿点）。我的测试表明 pandas.read_csv() 函数比 numpy.genfromtxt() 快 20 倍。 genfromtxt() 函数比 numpy.loadtxt() 快 3 倍。对于大型数据集，您似乎需要 pandas。

我在讨论 MATLAB vs Python for vibration analysis 的博客上发布了我在此测试中使用的代码和数据集。

Answer 4

对于遇到这个问题的人。将pandas 与“chunksize”和“usecols”一起使用帮助我比其他建议的选项更快地读取一个巨大的 zip 文件。

import pandas as pd

sample_cols_to_keep =['col_1', 'col_2', 'col_3', 'col_4','col_5']

# First setup dataframe iterator, ‘usecols’ parameter filters the columns, and 'chunksize' sets the number of rows per chunk in the csv. (you can change these parameters as you wish)
df_iter = pd.read_csv('../data/huge_csv_file.csv.gz', compression='gzip', chunksize=20000, usecols=sample_cols_to_keep) 

# this list will store the filtered dataframes for later concatenation 
df_lst = [] 

# Iterate over the file based on the criteria and append to the list
for df_ in df_iter: 
        tmp_df = (df_.rename(columns={col: col.lower() for col in df_.columns}) # filter eg. rows where 'col_1' value grater than one
                                  .pipe(lambda x:  x[x.col_1 > 0] ))
        df_lst += [tmp_df.copy()] 

# And finally combine filtered df_lst into the final lareger output say 'df_final' dataframe 
df_final = pd.concat(df_lst)

Answer 5

对我有用的东西是超快的

import pandas as pd
import dask.dataframe as dd
import time
t=time.clock()
df_train = dd.read_csv('../data/train.csv', usecols=[col1, col2])
df_train=df_train.compute()
print("load train: " , time.clock()-t)

另一个可行的解决方案是：

import pandas as pd 
from tqdm import tqdm

PATH = '../data/train.csv'
chunksize = 500000 
traintypes = {
'col1':'category',
'col2':'str'}

cols = list(traintypes.keys())

df_list = [] # list to hold the batch dataframe

for df_chunk in tqdm(pd.read_csv(PATH, usecols=cols, dtype=traintypes, chunksize=chunksize)):
    # Can process each chunk of dataframe here
    # clean_data(), feature_engineer(),fit()

    # Alternatively, append the chunk to list and merge all
    df_list.append(df_chunk) 

# Merge all dataframes into one dataframe
X = pd.concat(df_list)

# Delete the dataframe list to release memory
del df_list
del df_chunk

Answer 6

这是 Python3 的另一种解决方案：

import csv
with open(filename, "r") as csvfile:
    datareader = csv.reader(csvfile)
    count = 0
    for row in datareader:
        if row[3] in ("column header", criterion):
            doSomething(row)
            count += 1
        elif count > 2:
            break

这里datareader是一个生成器函数。

Answer 7

如果您使用的是 pandas 并且有大量 RAM（足以将整个文件读入内存），请尝试使用 pd.read_csv 和 low_memory=False，例如：

import pandas as pd
data = pd.read_csv('file.csv', low_memory=False)