pandas 中的大而持久的 DataFrame

Posted 2023-03-11

【中文标题】pandas 中的大而持久的 DataFrame

【英文标题】：Large, persistent DataFrame in pandas

【发布时间】：2012-07-22 06:52:13

【问题描述】：

作为长期 SAS 用户，我正在探索切换到 python 和 pandas。

但是，今天在运行一些测试时，我很惊讶 python 在尝试 pandas.read_csv() 一个 128mb 的 csv 文件时内存不足。它有大约 200,000 行和 200 列主要是数字数据。

使用 SAS，我可以将 csv 文件导入 SAS 数据集，它可以和我的硬盘一样大。

pandas 中有类似的东西吗？

我经常处理大文件，但无法访问分布式计算网络。

【问题讨论】：

我对 pandas 不熟悉，但您可能想通过遍历文件来查看。 pandas.pydata.org/pandas-docs/stable/…

【参考方案1】：

原则上它不应该用完内存，但是由于一些复杂的Python内部问题导致read_csv在大文件上存在内存问题（这个是模糊的，但它已经知道很长时间了：http://github.com/pydata/pandas/issues/407 ）。

目前还没有完美的解决方案（这是一个乏味的解决方案：您可以将文件逐行转录为预先分配的 NumPy 数组或内存映射文件--np.mmap），但它是一个我将在不久的将来工作。另一种解决方案是读取较小的文件（使用iterator=True, chunksize=1000），然后与pd.concat 连接。当您一口气将整个文本文件拉入内存时，问题就出现了。

【讨论】：

假设我可以读取文件并将它们全部连接到一个 DataFrame 中。 DataFrame 是否必须驻留在内存中？有了 SAS，只要我有硬盘空间，我就可以处理任何大小的数据集。 DataFrames也一样吗？我得到的印象是它们受到 RAM 而不是硬盘空间的限制。抱歉这个菜鸟问题，感谢您的帮助。我很喜欢你的书。

对，你受到 RAM 的限制。 SAS 确实对“核外”大数据处理有更好的支持。

@WesMcKinney 这些变通办法应该不再需要了，因为您在 0.10 中使用了新的 csv 加载器，对吧？

【参考方案2】：

韦斯当然是对的！我只是想提供一些更完整的示例代码。我对一个 129 Mb 的文件也有同样的问题，解决方法是：

import pandas as pd

tp = pd.read_csv('large_dataset.csv', iterator=True, chunksize=1000)  # gives TextFileReader, which is iterable with chunks of 1000 rows.
df = pd.concat(tp, ignore_index=True)  # df is DataFrame. If errors, do `list(tp)` instead of `tp`

【讨论】：

我想你可以做df = concate(tp, ignore_index=True) ?

@smci 使用重复 x4 (550 Mb) 或 x8 (1.1Gb) 的相同数据快速尝试。有趣的是，无论有没有 [x for x in tp]，x4 都能正常运行，而 x8 在 MemoryError 中崩溃。

我在使用它时收到此错误：AssertionError: first argument must be a list-like of pandas objects, you passed an object of type "TextFileReader"。知道这里发生了什么吗？

这个bug将在0.14（即将发布）中修复，github.com/pydata/pandas/pull/6941; pd.concat(list(tp), ignore_index=True)

如果值是字符串或分类怎么办 - 我收到错误：分类 concat 中的不兼容类别

【参考方案3】：

这是一个较旧的线程，但我只是想在这里转储我的解决方法。我最初尝试了chunksize 参数（即使是非常小的值，例如 10000），但它并没有太大帮助；内存大小仍然存在技术问题（我的 CSV 约为 7.5 Gb）。

现在，我只是以 for 循环的方式读取 CSV 文件的块，然后逐步将它们添加到 SQLite 数据库中：

import pandas as pd
import sqlite3
from pandas.io import sql
import subprocess

# In and output file paths
in_csv = '../data/my_large.csv'
out_sqlite = '../data/my.sqlite'

table_name = 'my_table' # name for the SQLite database table
chunksize = 100000 # number of lines to process at each iteration

# columns that should be read from the CSV file
columns = ['molecule_id','charge','db','drugsnow','hba','hbd','loc','nrb','smiles']

# Get number of lines in the CSV file
nlines = subprocess.check_output('wc -l %s' % in_csv, shell=True)
nlines = int(nlines.split()[0]) 

# connect to database
cnx = sqlite3.connect(out_sqlite)

# Iteratively read CSV and dump lines into the SQLite table
for i in range(0, nlines, chunksize):

    df = pd.read_csv(in_csv,  
            header=None,  # no header, define column header manually later
            nrows=chunksize, # number of rows to read at each iteration
            skiprows=i)   # skip rows that were already read

    # columns to read        
    df.columns = columns

    sql.to_sql(df, 
                name=table_name, 
                con=cnx, 
                index=False, # don't use CSV file index
                index_label='molecule_id', # use a unique column from DataFrame as index
                if_exists='append') 
cnx.close()    

【讨论】：

查看分块阅读功能的真实用例非常有用。谢谢。

对这个老话题说一句：pandas.read_csv 如果您只提供iterator=True 和chunksize=chunksize，则直接返回（至少在我当前使用的版本上）一个迭代器。因此，您只需对 pd.read_csv 调用执行 for 循环，而不是每次都重新实例化它。但是，这仅花费了调用开销，可能不会产生重大影响。

嗨，乔尔。感谢您的注意！如果我没记错的话，iterator=True 和 chunksize 参数当时已经存在。也许旧版本中存在导致内存爆炸的错误 - 下次我在 Pandas 中读取大型 DataFrame 时我会再试一次（我现在主要使用 Blaze 执行此类任务）

【参考方案4】：

您可以使用 Pytable 而不是 pandas df。 它专为大型数据集而设计，文件格式为 hdf5。 所以处理时间比较快。

【参考方案5】：

以下是我的工作流程。

import sqlalchemy as sa
import pandas as pd
import psycopg2

count = 0
con = sa.create_engine('postgresql://postgres:pwd@localhost:00001/r')
#con = sa.create_engine('sqlite:///XXXXX.db') SQLite
chunks = pd.read_csv('..file', chunksize=10000, encoding="ISO-8859-1",
                     sep=',', error_bad_lines=False, index_col=False, dtype='unicode')

根据您的文件大小，您最好优化块大小。

 for chunk in chunks:
        chunk.to_sql(name='Table', if_exists='append', con=con)
        count += 1
        print(count)

在数据库中获得所有数据后，您可以从数据库中查询出您需要的那些。

【参考方案6】：

如果您想加载巨大的 csv 文件，dask 可能是一个不错的选择。它模仿了pandas api，所以感觉很像pandas

link to dask on github

【讨论】：

谢谢，自从我发布这篇文章以来，我一直在使用 dask 和 parquet 格式。