Pandas/Python 中的分块、处理和合并数据集

Question

有一个大数据集，包含一个字符串。 我只想通过 read_fwf 使用宽度打开它，像这样：

widths = [3, 7, ..., 9, 7]
tp = pandas.read_fwf(file, widths=widths, header=None)

它会帮助我， 但系统崩溃（适用于 nrows=20000）。然后我决定按块（例如 20000 行）来做，像这样：

cs = 20000
for chunk in pd.read_fwf(file, widths=widths, header=None, chunksize=ch)
...:  <some code using chunk>

我的问题是：在对块进行一些处理（标记行、删除或修改列）后，我应该在循环中做什么以合并（连接？）块回到 .csv 文件中？还是有别的办法？

Answer 1

我假设自从阅读了整个文件后

tp = pandas.read_fwf(file, widths=widths, header=None)

失败但分块读取有效，文件太大无法一次读取并且您遇到了 MemoryError。

在这种情况下，如果您可以分块处理数据，然后连接 CSV 中的结果，您可以使用chunk.to_csv 将CSV 写入块：

filename = ...
for chunk in pd.read_fwf(file, widths=widths, header=None, chunksize=ch)
    # process the chunk
    chunk.to_csv(filename, mode='a')

注意mode='a'以附加模式打开文件，这样每个文件的输出 chunk.to_csv 调用附加到同一个文件。