如何制作从大型 xlsx 文件加载 pandas DataFrame 的进度条？

Posted 2023-03-11

【中文标题】如何制作从大型 xlsx 文件加载 pandas DataFrame 的进度条？

【英文标题】：How do I make a progress bar for loading pandas DataFrame from a large xlsx file?

【发布时间】：2019-02-12 00:36:27

【问题描述】：

来自https://pypi.org/project/tqdm/：

import pandas as pd
import numpy as np
from tqdm import tqdm

df = pd.DataFrame(np.random.randint(0, 100, (100000, 6)))
tqdm.pandas(desc="my bar!")p`
df.progress_apply(lambda x: x**2)

我获取了这段代码并对其进行了编辑，以便从 load_excel 创建一个 DataFrame，而不是使用随机数：

import pandas as pd
from tqdm import tqdm
import numpy as np

filename="huge_file.xlsx"
df = pd.DataFrame(pd.read_excel(filename))
tqdm.pandas()
df.progress_apply(lambda x: x**2)

这给了我一个错误，所以我将 df.progress_apply 更改为：

df.progress_apply(lambda x: x)

这是最终代码：

import pandas as pd
from tqdm import tqdm
import numpy as np

filename="huge_file.xlsx"
df = pd.DataFrame(pd.read_excel(filename))
tqdm.pandas()
df.progress_apply(lambda x: x)

这会产生一个进度条，但它实际上并没有显示任何进度，而是加载进度条，当操作完成时它会跳到 100%，从而达到目的。

我的问题是：如何使这个进度条工作？ progress_apply 内部的函数实际上是做什么的？ 有更好的方法吗？也许是 tqdm 的替代品？

非常感谢任何帮助。

【问题讨论】：

tqdm 正在跟踪遍历一个可迭代对象所花费的时间。要拥有状态栏，您需要了解 pandas 的支持如何将文件加载到数据框中并编写自己的代码来执行此操作（如果可能）。如果加载时间是问题，为什么不粗略估计几行长度

纺车就够了吗？

【参考方案1】：

不会工作。 pd.read_excel 阻塞直到文件被读取，并且无法从该函数中获取有关其在执行期间的进度的信息。

它适用于您可以按块进行的读取操作，例如

chunks = []
for chunk in pd.read_csv(..., chunksize=1000):
    update_progressbar()
    chunks.append(chunk)

但据我了解tqdm 还需要提前知道块的数量，因此对于正确的进度报告，您需要先阅读完整文件....

【讨论】：

更新进度条（）是一个函数吗？如果是，我可以用来访问它的库的名称是什么？

【参考方案2】：

这可能对有类似问题的人有所帮助。 here你可以得到帮助

例如：

for i in tqdm(range(0,3), ncols = 100, desc ="Loading data.."): 
    df=pd.read_excel("some_file.xlsx",header=None)
    LC_data=pd.read_excel("some_file.xlsx",'Sheet1', header=None)
    FC_data=pd.read_excel("some_file.xlsx",'Shee2', header=None)    
print("------Loading is completed ------")

【参考方案3】：

免责声明：这仅适用于xlrd 引擎，未经彻底测试！

它是如何工作的？ 我们猴子补丁xlrd.xlsx.X12Sheet.own_process_stream 方法负责从类似文件的流中加载工作表。我们提供自己的流，其中包含我们的进度条。每张工作表都有自己的进度条。

当我们想要进度条时，我们使用load_with_progressbar() 上下文管理器，然后使用pd.read_excel('<FILE.xlsx>')。

import xlrd
from tqdm import tqdm
from io import RawIOBase
from contextlib import contextmanager


class progress_reader(RawIOBase):
    def __init__(self, zf, bar):
        self.bar = bar
        self.zf = zf

    def readinto(self, b):
        n = self.zf.readinto(b)
        self.bar.update(n=n)
        return n


@contextmanager
def load_with_progressbar():

    def my_get_sheet(self, zf, *other, **kwargs):
        with tqdm(total=zf._orig_file_size) as bar:
            sheet = _tmp(self, progress_reader(zf, bar), **kwargs)
        return sheet

    _tmp = xlrd.xlsx.X12Sheet.own_process_stream

    try:
        xlrd.xlsx.X12Sheet.own_process_stream = my_get_sheet
        yield
    finally:
        xlrd.xlsx.X12Sheet.own_process_stream = _tmp


import pandas as pd

with load_with_progressbar():
    df = pd.read_excel('sample2.xlsx')

print(df)

进度条截图：

【讨论】：

这给了我以下错误：“ZipExtFile”对象没有属性“_orig_file_size”

【参考方案4】：

以下是根据用户的rocksportrocker优秀回答。

我是 Python 初学者！ 下面请看我第一个版本使用用户rocksportrocker的推荐。

---

import pandas as pd

print("Info: Loading starting.")

# https://***.com/questions/52209290
temp = [];
myCounter = 1;
myChunksize = 10000;
# https://***.com/questions/24251219/
for myChunk in pd.read_csv('YourFileName.csv', chunksize = myChunksize, low_memory = False):
    print('# of rows processed: ', myCounter*myChunksize)
    myCounter = myCounter + 1;
    temp.append(myChunk)
    
print("Info: Loading complete.")

# https://***.com/questions/33642951
df = pd.concat(temp, ignore_index = True)
df.head()