如何制作从大型 xlsx 文件加载 pandas DataFrame 的进度条?
Posted
技术标签:
【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 ------")
【讨论】:
【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()
【讨论】:
以上是关于如何制作从大型 xlsx 文件加载 pandas DataFrame 的进度条?的主要内容,如果未能解决你的问题,请参考以下文章
根据文件名将目录中的多个 .xlsx 文件读取到单独的 Pandas 数据框中
无法使用 read_excel 从 pandas 中的 xlsx 文件中读取日期列?
在 colaboratory 中从驱动器加载 xlsx 文件