如何在 python 中流入和操作大型数据文件

Question

我有一个相对较大 (1 GB) 的文本文件，我想通过跨类别求和来减小它的大小：

Geography AgeGroup Gender Race Count
County1   1        M      1    12
County1   2        M      1    3
County1   2        M      2    0

收件人：

Geography Count
County1   15
County2   23

如果整个文件可以放入内存但使用 pandas.read_csv() 得到 MemoryError，这将是一件简单的事情。所以我一直在研究其他方法，似乎有很多选择——HDF5？使用 itertools（这看起来很复杂 - 生成器？）或者只是使用标准文件方法读取第一个地理区域（70 行），对计数列求和，然后在加载另外 70 行之前写出。

有人对执行此操作的最佳方法有任何建议吗？我特别喜欢流式传输数据的想法，尤其是因为我可以想到很多其他有用的地方。我对这种方法或类似地使用可能的最基本功能的方法最感兴趣。

编辑： 在这个小案例中，我只想要按地理位置统计的总和。但是，如果我可以读入一个块，指定任何函数（比如，将 2 列加在一起，或者按地理位置取一列的最大值），应用函数，并在读入新块之前写入输出，那将是理想的.

Answer 1

您可以使用 dask.dataframe，它在语法上类似于 pandas，但执行的是核外操作，因此内存应该不是问题：

import dask.dataframe as dd

df = dd.read_csv('my_file.csv')
df = df.groupby('Geography')['Count'].sum().to_frame()
df.to_csv('my_output.csv')

或者，如果 pandas 是一项要求，您可以使用分块读取，如@chrisaycock 所述。您可能想尝试使用 chunksize 参数。

# Operate on chunks.
data = []
for chunk in pd.read_csv('my_file.csv', chunksize=10**5):
    chunk = chunk.groupby('Geography', as_index=False)['Count'].sum()
    data.append(chunk)

# Combine the chunked data.
df = pd.concat(data, ignore_index=True)
df = df.groupby('Geography')['Count'].sum().to_frame()
df.to_csv('my_output.csv')

Answer 2

我确实喜欢@root 的解决方案，但我会进一步优化内存使用 - 仅在内存中保留聚合 DF 并仅读取您真正需要的那些列：

cols = ['Geography','Count']
df = pd.DataFrame()

chunksize = 2   # adjust it! for example --> 10**5
for chunk in (pd.read_csv(filename,
                          usecols=cols,
                          chunksize=chunksize)
             ):
    # merge previously aggregated DF with a new portion of data and aggregate it again
    df = (pd.concat([df,
                     chunk.groupby('Geography')['Count'].sum().to_frame()])
            .groupby(level=0)['Count']
            .sum()
            .to_frame()
         )

df.reset_index().to_csv('c:/temp/result.csv', index=False)

测试数据：

Geography,AgeGroup,Gender,Race,Count
County1,1,M,1,12
County2,2,M,1,3
County3,2,M,2,0
County1,1,M,1,12
County2,2,M,1,33
County3,2,M,2,11
County1,1,M,1,12
County2,2,M,1,111
County3,2,M,2,1111
County5,1,M,1,12
County6,2,M,1,33
County7,2,M,2,11
County5,1,M,1,12
County8,2,M,1,111
County9,2,M,2,1111

output.csv:

Geography,Count
County1,36
County2,147
County3,1122
County5,24
County6,33
County7,11
County8,111
County9,1111

PS使用这种方法你可以处理大文件。

PPS 使用分块方法应该可行，除非您需要对数据进行排序 - 在这种情况下，我会使用经典的 UNIX 工具，例如 awk、sort 等首先对数据进行排序

我还建议使用 PyTables（HDF5 存储），而不是 CSV 文件 - 它速度非常快，允许您有条件地读取数据（使用 where 参数），所以它非常方便并节省了很多资源，通常与 CSV 相比。

如何在 python 中流入和操作大型数据文件

How to stream in and manipulate a large data file in python

python

itertools

dataframe

pandas