使用 numpy / pandas 读取 Python 中 CSV 文件的最后 N 行

Posted

技术标签:

【中文标题】使用 numpy / pandas 读取 Python 中 CSV 文件的最后 N 行【英文标题】:Read the last N lines of a CSV file in Python with numpy / pandas 【发布时间】:2016-12-06 21:27:28 【问题描述】:

有没有使用numpypandas 在Python 中读取CSV 文件最后N 行的快速方法?

    我不能在numpy 中执行skip_header 或在pandas 中执行skiprow,因为文件的长度不同,而且我总是需要最后N 行。

    我知道我可以使用纯 Python 从文件的最后一行逐行读取,但这会非常慢。如果必须的话,我可以这样做,但是使用numpypandas(本质上是使用C)更有效的方法将非常感激。

【问题讨论】:

【参考方案1】:

使用一个 10 行的小测试文件,我尝试了 2 种方法 - 解析整个内容并选择最后 N 行,而不是加载所有行,但只解析最后 N:

In [1025]: timeit np.genfromtxt('stack38704949.txt',delimiter=',')[-5:]
1000 loops, best of 3: 741 µs per loop

In [1026]: %%timeit 
      ...: with open('stack38704949.txt','rb') as f:
      ...:      lines = f.readlines()
      ...: np.genfromtxt(lines[-5:],delimiter=',')

1000 loops, best of 3: 378 µs per loop

这被标记为与Efficiently Read last 'n' rows of CSV into DataFrame 重复。那里使用的公认答案

from collections import deque

并收集了该结构中的最后 N 行。它还使用StringIO 将行提供给解析器,这是不必要的复杂化。 genfromtxt 从任何给它行的东西中获取输入,所以行列表就可以了。

In [1031]: %%timeit 
      ...: with open('stack38704949.txt','rb') as f:
      ...:      lines = deque(f,5)
      ...: np.genfromtxt(lines,delimiter=',') 

1000 loops, best of 3: 382 µs per loop

基本上和readlines和slice一样。

deque 在文件非常大的情况下可能会有优势,而且挂在所有行上的成本会很高。我认为它不会节省任何文件读取时间。仍然需要一行一行地阅读。

row_count 后跟 skip_header 方法的时间较慢;它需要读取文件两次。 skip_header 仍然需要读取行数。

In [1046]: %%timeit 
      ...: with open('stack38704949.txt',"r") as f:
      ...:       ...:     reader = csv.reader(f,delimiter = ",")
      ...:       ...:     data = list(reader)
      ...:       ...:     row_count = len(data)
      ...: np.genfromtxt('stack38704949.txt',skip_header=row_count-5,delimiter=',')

The slowest run took 5.96 times longer than the fastest. This could mean that an intermediate result is being cached.
1000 loops, best of 3: 760 µs per loop

为了计算行数,我们不需要使用csv.reader,尽管它似乎不会花费太多额外的时间。

In [1048]: %%timeit 
      ...: with open('stack38704949.txt',"r") as f:
      ...:    lines=f.readlines()
      ...:    row_count = len(data)
      ...: np.genfromtxt('stack38704949.txt',skip_header=row_count-5,delimiter=',')

1000 loops, best of 3: 736 µs per loop

【讨论】:

【参考方案2】:

选项 1

你可以用numpy.genfromtxt读取整个文件,把它作为一个numpy数组,取最后N行:

a = np.genfromtxt('filename', delimiter=',')
lastN = a[-N:]

选项 2

你可以用通常的文件读取做类似的事情:

with open('filename') as f:
    lastN = list(f)[-N:]

但这次你会得到最后 N 行的列表,作为字符串。

选项 3 - 不将整个文件读入内存

我们使用最多包含 N 个项目的列表来保存每次迭代的最后 N 行:

lines = []
N = 10
with open('csv01.txt') as f:
    for line in f:
        lines.append(line)
        if len(lines) > 10:
            lines.pop(0)

真正的 csv 需要稍作改动:

import csv
...
with ...
    for line in csv.reader(f):
    ...

【讨论】:

【参考方案3】:

使用pandasread_csv()skiprows参数,更难的部分是找到csv中的行数。这是一个可能的解决方案:

with open('filename',"r") as f:
    reader = csv.reader(f,delimiter = ",")
    data = list(reader)
    row_count = len(data)

df = pd.read_csv('filename', skiprows = row_count - N)

【讨论】:

以上是关于使用 numpy / pandas 读取 Python 中 CSV 文件的最后 N 行的主要内容,如果未能解决你的问题,请参考以下文章

Numpy+Pandas+Matplotlib学习

Numpy+Pandas+Matplotlib学习

Numpy+Pandas+Matplotlib学习

使用 pandas 读取带有 numpy 数组的 csv

使用 pandas 读取带有 numpy 数组的 csv

如何在不使用外部库(例如 Numpy、Pandas)的情况下读取 CSV 文件?