有效地将最后 'n' 行 CSV 读入 DataFrame

Posted 2023-02-23

【中文标题】有效地将最后 \'n\' 行 CSV 读入 DataFrame

【英文标题】：Efficiently Read last 'n' rows of CSV into DataFrame有效地将最后 'n' 行 CSV 读入 DataFrame

【发布时间】：2013-06-11 02:08:03

【问题描述】：

一些方法可以做到这一点：

读取整个CSV，然后使用df.tail 以某种方式反转文件（对大文件执行此操作的最佳方法是什么？），然后使用nrows 参数读取 以某种方式找到 CSV 中的行数，然后使用 skiprows 并读取所需的行数。 也许做块读取丢弃初始块（虽然不确定这会如何工作）

能以更简单的方式完成吗？如果不是，这三者中应该优先选择哪一个？为什么？

可能相关：

Efficiently finding the last line in a text file Reading parts of ~13000 row CSV file with pandas read_csv and nrows

无直接关系：

How to get the last n row of pandas dataframe?

【问题讨论】：

你也可以seek() 然后倒退。

【参考方案1】：

我认为 pandas 在 read_csv 中没有提供这样做的方法。

也许最简洁的（一次性）是使用collections.deque：

from collections import deque
from StringIO import StringIO

with open(fname, 'r') as f:
    q = deque(f, 2)  # replace 2 with n (lines read at the end)

In [12]: q
Out[12]: deque(['7,8,9\n', '10,11,12'], maxlen=2)
         # these are the last two lines of my csv

In [13]: pd.read_csv(StringIO(''.join(q)), header=None)

另一个值得尝试的选择是 get the number of lines in a first pass 然后再次读取文件，使用 read_csv 跳过该行数（减去 n）...

【讨论】：

如果您使用的是 python 3.x，请将 'from StringIO import StringIO' 替换为 'from io import StringIO'。检查***.com/questions/11914472/stringio-in-python3/…

谢谢。就我而言，这真的很快。使用形状为 (9020057, 4) 的 csv 进行测试，并检索最后的 10000 行。与df.tail(10000)、df.iloc[-10000:]比较

有时从文件的第一行获取标题会很有帮助。我使用这段代码来获取开头的最后 N 行标题。使用 open(product_filename, 'r') as f: q = [ f.readline() ] q.extend(deque(f,ndays)) df = pd.read_csv(StringIO(''.join(q)))

【参考方案2】：

这是一个方便的方法。非常适合我喜欢做的事情 -

import tailer
import pandas as pd
import io

with open(filename) as file:
    last_lines = tailer.tail(file, 15)

df = pd.read_csv(io.StringIO('\n'.join(last_lines)), header=None)

您需要安装tailer，才能正常工作：

pip install --user tailer

【讨论】：

我尝试了几种方法来读取 csv 文件中的最后 n 行，包括在这个线程上发布的那些以及在另一个问题上发布的一些：***.com/questions/38704949/…，@Parikshit Bhinde 的一个是最快的

【参考方案3】：

文件只是字节流。线不作为单独的实体存在；它们是将某些字节视为换行符的产物。因此，您必须从文件开头读取以按顺序识别行。

如果文件不（经常）更改并且这是您需要经常执行的操作（例如，使用不同的 n 值），您可以将换行符的字节偏移量存储在第二个文件中。您可以使用这个小得多的文件和seek 命令快速跳转到第一个文件中的给定行并从那里读取。

（有些操作系统提供的面向记录的文件，其内部结构比普通的平面文件更复杂。以上不适用于它们。）

【参考方案4】：

由于您正在考虑反转文件，我认为可以创建新文件。

用最后 n 行创建一个新文件。 tail -n original.csv > temp.csv 将标题行添加到临时文件并生成新文件。 head -1 original.csv | cat - temp.csv > newfile.csv && rm -f temp.csv

【讨论】：

附带说明，请使用tempfile 安全地创建临时文件。如果您已经有一个名为 temp.csv 的文件，您可能会遇到麻烦。

【参考方案5】：

要求：

快速 - 适用于任何大小/长度的 csv 快速 - 处理时间仅基于 EOF 中的行长度和行数 不允许其他依赖项

代码：

import pandas as pd
import io
import sys

def get_csv_tail(filepath, max_rows=1):
    with open(filepath, "rb") as f:
        first = f.readline().decode(sys.stdout.encoding)  # Read the first line.
        f.seek(-2, 2)                                     # Jump to the second last byte.
        count = 0
        while count < max_rows:                           # Until we've gone max_rows back
            try:
                while f.read(1) != b"\n":                 # Until EOL is found...
                    f.seek(-2, 1)                         # ...jump back the read byte plus one more.
            except IOError:
                f.seek(-1, 1)
                if f.tell() == 0:
                    break
            count = count + 1
            f.seek(-2, 1)                                 # ...jump back the read byte plus one more.
        f.seek(1, 1)                                      # move forward one byte
        tail = f.read().decode(sys.stdout.encoding)       # We found our spot; read from here through to the end of the file.
        f.close()
                
    return io.StringIO(first + tail)

df = pd.read_csv(get_csv_tail('long.csv', max_rows=5))    # Get the last five rows as a df

警告：这假设您的 csv 仅在 EOL 位置包含换行符，这并非适用于所有 csv 文件。

这也会拉出标题，以便将列正确读入 pandas。如果不需要，可以在文件打开后去掉第一行，修改函数返回，只处理尾部。

基于What is the most efficient way to get first and last line of a text file?

【参考方案6】：

第三个选项是我使用的：

以某种方式找到 CSV 中的行数，然后使用 skiprows 并读取 所需的行数。

这是我的建议：

import pandas as pd 

# User inputs
fname = 'test_file.csv'
tail_len = 15

# The two steps in the description
n_rows = sum(1 for row in open(fname, 'r'))
df = pd.read_csv(fname, skiprows=range(1, n_rows - tail_len))

关于“不知何故”我从here 那里得到了这个想法。

【参考方案7】：

您可以创建 metadata.csv 文件，并跟踪 csv 的长度。每次将行添加到 csv 时，使用最新的 row_count 更新 metadata.csv 文件。下次加载 csv 时，只需使用以下内容：

file_size = 139405 #stored in your metadata.csv file
n_bottom_rows = 7
df = pd.read_csv('myfile.csv',skiprows = filesize - n_bottom_rows)