簡介

遇到大型的csv文件時，pandas會把該文件全部加載進(jìn)內(nèi)存，從而導(dǎo)致程序運(yùn)行速度變慢。
本文提供了批量讀取csv文件、讀取屬性列的方法，減輕內(nèi)存占用情況。

import pandas as pd

input_file = 'data.csv'

讀取前多少行

加載前100000行數(shù)據(jù)

df = pd.read_csv(input_file, nrows=1e5)
df

查看每個字段占用的系統(tǒng)內(nèi)存的情況

df.info(memory_usage='deep')

設(shè)置 memory_usage 的參數(shù)為 ‘deep’ 時，深度檢查對象中的內(nèi)存使用情況，包括對象中可能包含的其他對象（如列表、數(shù)組或其他數(shù)據(jù)結(jié)構(gòu)）。若不設(shè)置deep參數(shù)，memory_usage 只會返回一個對象的基礎(chǔ)內(nèi)存使用情況，這主要基于對象本身的內(nèi)存占用，而不考慮它可能引用的其他對象。

如上圖所示，前100000行數(shù)據(jù)共占用220.MB內(nèi)存。

查看每列屬性的內(nèi)存占用情況；

item = df.memory_usage(deep=True)

針對每個屬性列的字節(jié)數(shù)進(jìn)行求和，使用/ (1024 ** 2)，實(shí)現(xiàn)1B到1MB的單位轉(zhuǎn)換。驗證了所有屬性列的內(nèi)存占用確實(shí)為 220.8MB。

內(nèi)存占用從高到低降序排列：

df.memory_usage(deep=True).sort_values(ascending=False)

讀取屬性列

可能我們只關(guān)心， 一整張表中的某幾個屬性，比如：'企業(yè)名稱', '經(jīng)營范圍'。那么便無需把整張表加載進(jìn)內(nèi)存。

df2 = pd.read_csv(input_file, nrows=1e5, usecols=['企業(yè)名稱', '經(jīng)營范圍'])

查看一下內(nèi)存占用

df2.memory_usage(deep=True).sum() / (1024 ** 2)

只讀取兩個屬性列，內(nèi)存占用只有33MB。

逐塊讀取整個文件

pd.read_csv(input_file, chunksize=1e3, nrows=1e5)

• nrows=1e5: 讀取100000條數(shù)據(jù)；
• chunksize=1e3: 每一塊是1000條數(shù)據(jù)；

故1e5條數(shù)據(jù)，應(yīng)該由100塊1e3的數(shù)據(jù)組成；

# 分批次讀取, 每chunksize是一個批次
chunk_dfs = pd.read_csv(input_file, chunksize=1e3, nrows=1e5)

v = 0
cnt = 0
# 每個chunk_df 都是 dataframe 類型數(shù)據(jù)
for chunk_df in chunk_dfs:
    print(chunk_df.shape)
    cnt += 1
    v += chunk_df.shape[0]

print(v, cnt)

上圖驗證了，總共處理了1e5條數(shù)據(jù)，分成了100塊進(jìn)行讀取。

總結(jié)

pd.read_csv(input_file, nrows, usecols, chunksize)

• nrows: 讀取多少行數(shù)據(jù)；
• usecols: 讀取哪些屬性列的數(shù)據(jù)；
• chunksize：分塊讀取，每一塊的大小是多少條數(shù)據(jù)；

到此這篇關(guān)于python讀取大型csv文件的操作方法(降低內(nèi)存占用)的文章就介紹到這了,更多相關(guān)python讀取大型csv文件內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論