การอ่านไฟล์. csv ขนาดใหญ่

ฉันกำลังพยายามอ่านข้อมูลจากไฟล์. csv ใน Python 2.7 ที่มีมากถึง 1 ล้านแถวและ 200 คอลัมน์ (ไฟล์มีตั้งแต่ 100mb ถึง 1.6gb) ฉันทำได้ (ช้ามาก) สำหรับไฟล์ที่มีแถวต่ำกว่า 300,000 แถว แต่เมื่อฉันไปข้างบนฉันได้รับข้อผิดพลาดเกี่ยวกับหน่วยความจำ รหัสของฉันมีลักษณะดังนี้:

def getdata(filename, criteria):
    data=[]
    for criterion in criteria:
        data.append(getstuff(filename, criteron))
    return data

def getstuff(filename, criterion):
    import csv
    data=[]
    with open(filename, "rb") as csvfile:
        datareader=csv.reader(csvfile)
        for row in datareader: 
            if row[3]=="column header":
                data.append(row)
            elif len(data)<2 and row[3]!=criterion:
                pass
            elif row[3]==criterion:
                data.append(row)
            else:
                return data

เหตุผลของประโยคอื่นในฟังก์ชัน getstuff คือองค์ประกอบทั้งหมดที่เหมาะสมกับเกณฑ์จะแสดงรายการร่วมกันในไฟล์ csv ดังนั้นฉันจึงออกจากลูปเมื่อฉันผ่านไปเพื่อประหยัดเวลา

คำถามของฉันคือ:

1. ฉันจะจัดการเพื่อให้สิ่งนี้ทำงานกับไฟล์ที่ใหญ่กว่าได้อย่างไร

2. มีวิธีใดบ้างที่ฉันสามารถทำให้เร็วขึ้นได้?

คอมพิวเตอร์ของฉันมี RAM 8GB ใช้ Windows 7 64 บิตและโปรเซสเซอร์คือ 3.40 GHz (ไม่แน่ใจว่าคุณต้องการข้อมูลอะไร)

คุณกำลังอ่านแถวทั้งหมดในรายการจากนั้นประมวลผลรายการนั้น อย่าทำอย่างนั้น

ประมวลผลแถวของคุณเมื่อคุณสร้างมัน หากคุณต้องการกรองข้อมูลก่อนให้ใช้ฟังก์ชันเครื่องกำเนิดไฟฟ้า:

import csv

def getstuff(filename, criterion):
    with open(filename, "rb") as csvfile:
        datareader = csv.reader(csvfile)
        yield next(datareader)  # yield the header row
        count = 0
        for row in datareader:
            if row[3] == criterion:
                yield row
                count += 1
            elif count:
                # done when having read a consecutive series of rows 
                return

ฉันยังทำให้การทดสอบตัวกรองของคุณง่ายขึ้น ตรรกะเหมือนกัน แต่กระชับกว่า

เนื่องจากคุณจับคู่เฉพาะลำดับแถวเดียวที่ตรงกับเกณฑ์คุณจึงสามารถใช้:

import csv
from itertools import dropwhile, takewhile

def getstuff(filename, criterion):
    with open(filename, "rb") as csvfile:
        datareader = csv.reader(csvfile)
        yield next(datareader)  # yield the header row
        # first row, plus any subsequent rows that match, then stop
        # reading altogether
        # Python 2: use `for row in takewhile(...): yield row` instead
        # instead of `yield from takewhile(...)`.
        yield from takewhile(
            lambda r: r[3] == criterion,
            dropwhile(lambda r: r[3] != criterion, datareader))
        return

ตอนนี้คุณสามารถวนซ้ำgetstuff()ได้โดยตรง ทำเช่นเดียวกันในgetdata():

def getdata(filename, criteria):
    for criterion in criteria:
        for row in getstuff(filename, criterion):
            yield row

ตอนนี้วนซ้ำโดยตรงgetdata()ในรหัสของคุณ:

for row in getdata(somefilename, sequence_of_criteria):
    # process row

ตอนนี้คุณมีเพียงหนึ่งแถวในหน่วยความจำแทนที่จะเป็นหลายพันบรรทัดต่อเกณฑ์

yieldทำให้ฟังก์ชันเป็นฟังก์ชันตัวกำเนิดซึ่งหมายความว่าจะไม่ทำงานใด ๆ จนกว่าคุณจะเริ่มวนซ้ำ

แม้ว่าคำตอบของ Martijin จะดีที่สุด นี่คือวิธีที่ง่ายกว่าในการประมวลผลไฟล์ csv ขนาดใหญ่สำหรับผู้เริ่มต้น สิ่งนี้ช่วยให้คุณสามารถประมวลผลกลุ่มของแถวหรือทีละกลุ่มได้

import pandas as pd
chunksize = 10 ** 8
for chunk in pd.read_csv(filename, chunksize=chunksize):
    process(chunk)

ฉันทำการวิเคราะห์การสั่นสะเทือนในปริมาณพอสมควรและดูชุดข้อมูลขนาดใหญ่ (หลายสิบและหลายร้อยล้านจุด) การทดสอบแสดงให้เห็นว่าฉันpandas.read_csv ()ฟังก์ชั่นที่จะเป็น20ครั้งเร็วกว่า numpy.genfromtxt () และฟังก์ชัน genfromtxt () เร็วกว่า numpy.loadtxt () 3 เท่า ดูเหมือนว่าคุณต้องการหมีแพนด้าสำหรับชุดข้อมูลขนาดใหญ่

ผมโพสต์รหัสและข้อมูลชุดที่ผมใช้ในการทดสอบนี้ในบล็อกถกMATLAB VS งูหลามวิเคราะห์การสั่นสะเทือน

สิ่งที่ใช้ได้ผลสำหรับฉันและรวดเร็วมากคือ

import pandas as pd
import dask.dataframe as dd
import time
t=time.clock()
df_train = dd.read_csv('../data/train.csv', usecols=[col1, col2])
df_train=df_train.compute()
print("load train: " , time.clock()-t)

อีกวิธีการทำงานคือ:

import pandas as pd 
from tqdm import tqdm

PATH = '../data/train.csv'
chunksize = 500000 
traintypes = {
'col1':'category',
'col2':'str'}

cols = list(traintypes.keys())

df_list = [] # list to hold the batch dataframe

for df_chunk in tqdm(pd.read_csv(PATH, usecols=cols, dtype=traintypes, chunksize=chunksize)):
    # Can process each chunk of dataframe here
    # clean_data(), feature_engineer(),fit()

    # Alternatively, append the chunk to list and merge all
    df_list.append(df_chunk) 

# Merge all dataframes into one dataframe
X = pd.concat(df_list)

# Delete the dataframe list to release memory
del df_list
del df_chunk

สำหรับคนที่ถามคำถามนี้ การใช้หมีแพนด้ากับ ' chunksize ' และ ' usecols ' ช่วยให้ฉันอ่านไฟล์ zip ขนาดใหญ่ได้เร็วกว่าตัวเลือกอื่น ๆ ที่เสนอ

import pandas as pd

sample_cols_to_keep =['col_1', 'col_2', 'col_3', 'col_4','col_5']

# First setup dataframe iterator, ‘usecols’ parameter filters the columns, and 'chunksize' sets the number of rows per chunk in the csv. (you can change these parameters as you wish)
df_iter = pd.read_csv('../data/huge_csv_file.csv.gz', compression='gzip', chunksize=20000, usecols=sample_cols_to_keep) 

# this list will store the filtered dataframes for later concatenation 
df_lst = [] 

# Iterate over the file based on the criteria and append to the list
for df_ in df_iter: 
        tmp_df = (df_.rename(columns={col: col.lower() for col in df_.columns}) # filter eg. rows where 'col_1' value grater than one
                                  .pipe(lambda x:  x[x.col_1 > 0] ))
        df_lst += [tmp_df.copy()] 

# And finally combine filtered df_lst into the final lareger output say 'df_final' dataframe 
df_final = pd.concat(df_lst)

นี่คืออีกวิธีหนึ่งสำหรับ Python3:

import csv
with open(filename, "r") as csvfile:
    datareader = csv.reader(csvfile)
    count = 0
    for row in datareader:
        if row[3] in ("column header", criterion):
            doSomething(row)
            count += 1
        elif count > 2:
            break

นี่datareaderคือฟังก์ชันเครื่องกำเนิดไฟฟ้า

หากคุณใช้แพนด้าและมี RAM จำนวนมาก (เพียงพอที่จะอ่านไฟล์ทั้งหมดลงในหน่วยความจำ) ให้ลองใช้pd.read_csvด้วยlow_memory=Falseเช่น:

import pandas as pd
data = pd.read_csv('file.csv', low_memory=False)