Python - Pandas 在多个 Zip 文件中连接多个文本文件

Question

我在获取位于压缩文件中的 txt 文件以使用 pandas 加载/连接时遇到问题。这里有很多关于 pd.concat(zip_file.open) 的示例，但在我的情况下仍然没有任何工作，因为我有多个 zip 文件和多个 txt 文件。

例如，假设我在特定文件夹“Main”中有两个压缩文件。每个压缩文件包含五个 txt 文件。我想将所有这些 txt 文件和 pd.concat 一起阅读。在我的真实示例中，我将有几十个 zip 文件夹，每个文件夹包含五个 txt 文件。

你能帮忙吗？

文件夹和文件结构示例：

'C:/User/Example/Main'   
   TAG_001.zip
     sample001_1.txt
     sample001_2.txt
     sample001_3.txt
     sample001_4.txt
     sample001_5.txt
   TAG_002.zip
     sample002_1.txt
     sample002_2.txt
     sample002_3.txt
     sample002_4.txt
     sample002_5.txt

我是这样开始的，但之后的一切都在抛出错误：

import os
import glob
import pandas as pd
import zipfile

path = 'C:/User/Example/Main'

ziplist = glob.glob(os.path.join(path, "*TAG*.zip"))

Answer 1

这效率不高，但它应该让您了解如何完成它。

import os
import zipfile

import pandas as pd

frames = {}

BASE_DIR = 'C:/User/Example/Main'
_, _, zip_filenames = list(os.walk(BASE_DIR))[0]
for zip_filename in zip_filenames:
    with zipfile.ZipFile(os.path.join(BASE_DIR, zip_filename)) as zip_:
        for filename in zip_.namelist():
            with zip_.open(filename) as file_:
                new_frame = pd.read_csv(file_, sep='\t')
                frame = frames.get(filename)
                if frame is not None:
                    pd.concat([frame, new_frame])
                else:
                    frames[filename] = new_frame

#once all frames have been concatenated loop over the dict and write them back out

根据有多少数据，您必须设计一个平衡处理能力/内存/磁盘空间的解决方案。此解决方案可能会占用大量内存。