如何读取非常大的 CSV 的一小部分行。 Pandas - 时间序列 - 大型数据集
Posted
技术标签:
【中文标题】如何读取非常大的 CSV 的一小部分行。 Pandas - 时间序列 - 大型数据集【英文标题】:How to read a small percentage of lines of a very large CSV. Pandas - time series - Large dataset 【发布时间】:2019-05-23 12:41:44 【问题描述】:我在一个大文本文件中有一个时间序列。 该文件超过 4 GB。
因为它是一个时间序列,我只想阅读 1% 的行。
所需的极简主义示例:
df = pandas.read_csv('super_size_file.log',
load_line_percentage = 1)
print(df)
想要的输出:
>line_number, value
0, 654564
100, 54654654
200, 54
300, 46546
...
加载后我无法重新采样,因为一开始加载它需要太多内存。
我可能想逐块加载并重新采样每个块。但对我来说似乎效率低下。
欢迎任何想法。 ;)
【问题讨论】:
read_csv
有一个 nrows
arg 和 chunksize
,你有没有尝试过这些:pandas.pydata.org/pandas-docs/stable/reference/api/…
你可以运行linux head命令,阅读head super_size_file.log > small_sample.log
或head -n 1000 super_size_file.log > small_sample.log
@EdChum:nrows 加载 n 第一行。我想全部加载,但 100 行中只有 1 行... chunkzise 很棒,但加载每个块需要时间。 (99% 我不想要)。但这绝对是我的 B 计划。 @ sh.jeon:linux 中的'head' 似乎与nrows 相同。 (有趣的顺便说一句,但从我的角度来看同样的评论)
【参考方案1】:
每当我必须处理一个非常大的文件时,我都会问“Dask 会做什么?”。
将大文件加载为dask.DataFrame
,将索引转换为列(由于无法进行完全索引控制而导致的解决方法),然后过滤该新列。
import dask.dataframe as dd
import pandas as pd
nth_row = 100 # grab every nth row from the larger DataFrame
dask_df = dd.read_csv('super_size_file.log') # assuming this file can be read by pd.read_csv
dask_df['df_index'] = dask_df.index
dask_df_smaller = dask_df[dask_df['df_index'] % nth_row == 0]
df_smaller = dask_df_smaller.compute() # to execute the operations and return a pandas DataFrame
这将为您提供较大文件中的第 0、100、200 行等。如果您想将 DataFrame 减少到特定列,请在调用计算之前执行此操作,即dask_df_smaller = dask_df_smaller[['Signal_1', 'Signal_2']]
。您还可以使用 scheduler='processes'
选项调用计算以使用 CPU 上的所有内核。
【讨论】:
【参考方案2】:您可以在使用 read_csv pandas 函数时输入要读取的行数。这是你可以做的:
import pandas as pd
# Select file
infile = 'path/file'
number_of_lines = x
# Use nrows to choose number of rows
data = pd.read_csv(infile,, nrows = number_of_lines*0.01)
如果你想像你提到的那样逐块读取数据,你也可以使用 chunksize 选项:
chunksize = 10 ** 6
for chunk in pd.read_csv(filename, chunksize=chunksize):
process(chunk)
【讨论】:
【参考方案3】:看看Iterating through files chunk by chunk。 它包含一个优雅的描述如何以块的形式读取 CSV 文件。
基本思想是传递 chunksize 参数(每个块的行数)。 然后,在一个循环中,你可以逐块读取这个文件。
【讨论】:
【参考方案4】:这应该做你想做的。
# Select All From CSV File Where
import csv
# Asks for search criteria from user
search_parts = input("Enter search criteria:\n").split(",")
# Opens csv data file
file = csv.reader(open("C:\\your_path\\test.csv"))
# Go over each row and print it if it contains user input.
for row in file:
if all([x in row for x in search_parts]):
print(row)
# If you only want to read rows 1,000,000 ... 1,999,999
read_csv(..., skiprows=1000000, nrows=999999)
【讨论】:
以上是关于如何读取非常大的 CSV 的一小部分行。 Pandas - 时间序列 - 大型数据集的主要内容,如果未能解决你的问题,请参考以下文章
为啥使用 php 从一个非常大的 csv 文件中只读取 1000 条记录?
在Java中读取3GB的非常大的csv文件的内存有效方法是什么?