访问非常大的 csv 文件都有哪些不同的方法？

Posted 2023-03-11

【中文标题】访问非常大的 csv 文件都有哪些不同的方法？

【英文标题】：What are the different ways to access really large csv files?访问非常大的 csv 文件有哪些不同的方法？

【发布时间】：2019-06-09 09:40:08

【问题描述】：

我一直在从事一个项目，我必须尽可能快地读取和处理具有数百万行的非常大的 csv 文件。

我看到了链接：https://nelsonslog.wordpress.com/2015/02/26/python-csv-benchmarks/，作者在其中对访问 csv 的不同方式以及每个步骤所用的时间进行了基准测试。 他使用了catdevnull进程，代码如下：

def catDevNull():
    os.system('cat %s > /dev/null' % fn)

在这种情况下花费的时间最少。我相信它独立于 python 版本，因为读取文件所需的时间保持不变。然后他利用了warmcache方法，如下所示：

def wc():
    os.system('wc -l %s > /dev/null' % fn)

以上两种方法是最快的。任务使用pandas.read_csv，时间比其他方法少，但还是比上面两种方法慢。

输入x = os.system('cat %s > /dev/null % fn)，检查数据类型是字符串。

os.system如何读取时间少了这么多的文件？另外，有没有办法在os.system读取文件后访问这些文件以进行进一步处理？

我也很好奇，与上面链接中显示的其他可用方法相比，为什么在 pandas 中读取文件的速度如此之快？

【问题讨论】：

">"?为什么？

存储它们或将它们推送到数据库中，例如 mysql、sqlite、MS SQL。当它们在数据库中时更容易使用。

顺便说一句，os.system 应该避免；现在最好使用subprocessmodule。但是对于这里给出的任务，肯定有可以在没有 shell 调用的情况下使用的原生函数。

在数据库中存储数据需要很长时间。对于独立应用程序，要处理大量行的数据，我发现 pandas 读取 csv 方法是最快的。但是，根据博文，使用 os 方法的时间要少得多。我想知道它是如何工作的，是否可以在通过 os.system 读取数据时访问数据。您可以在提到的博文中找到详细信息。

wc 和 catDevNull 方法很快，因为它们不会尝试正确解析 csv 文件。 wc 仅解析行，但不解析逗号。当您实际尝试将文件解析为数据结构时，您必须为结构分配空间并处理转义字符和引号。我同意其他人的建议，将其转储到数据库中。初始加载到数据库可能不会比读取到 csv 快，但是当您真正开始需要处理数据时它会快得多，因为您可以创建索引来加速进一步的访问和操作。

【参考方案1】：

os.system 完全放弃了您在 Python 中的控制权。子进程完成后，无法访问子进程中发生的任何事情。

对子进程进行一些（但不够）控制的更好方法是使用 Python subprocess 模块。这允许您使用信号和 I/O 与正在运行的进程进行交互，但仍然无法影响进程的内部，除非它具有允许您这样做的特定 API。 （如果您想探索，Linux 会在 /proc 文件系统中公开一些进程内部结构。）

我认为您不了解基准测试的含义。 cat >/dev/null 是一个基线，它简单地衡量系统读取磁盘文件的速度；您的进程不可能比 I/O 通道允许的更快，所以这是系统什么都不做的时间。在比较它们的相对性能之前，您基本上会从后续结果中减去这段时间。

通常，读取大文件的绝对最快的方法是对其进行索引，然后使用内存中的索引来查找要访问的文件内的位置。构建索引会产生一些开销，但如果您多次访问文件，好处很快就会抵消开销。将文件导入数据库是一种方便且友好的方式；数据库完全封装了 I/O，让您可以查询数据，就好像您可以忽略它在后台以某种方式序列化为磁盘上的字节一样。

【讨论】：

我完全同意这个评论。将一个巨大的 csv 文件导入数据库并进行查询，速度很快，并且为您提供了很大的查询逻辑灵活性。

虽然the alot 通常不具备灵活性。有一种用啤酒罐做的，很受欢迎。

这是一个很好的方法。在进一步的实验中，我发现索引文件的最佳方法是使用 pandas 数据帧而不是使用 sql，因为查询和存储的速度很快

如果这解决了您的问题，请考虑接受。您也可以发布自己的答案并接受。另见help.

【参考方案2】：

根据我的测试。我发现在 pandas 数据帧中查询比在数据库中查询要快得多[针对 sqlite3 进行了测试]

因此，最快的方法是将csv作为pandas数据帧，然后根据需要在数据帧中查询。另外，如果我需要保存文件，我可以腌制数据框，并根据需要重用它。与将数据存储在 sql 中然后查询结果相比，pickle 和 unpickle 文件和查询的时间要少得多。