Question

我正在探索作为长期SAS用户切换到python和pandas。

但是，今天运行一些测试时，我很惊讶python在尝试pandas.read_csv() 128mb csv文件时内存不足。它有大约200,000行和200列主要是数字数据。

使用SAS，我可以将csv文件导入SAS数据集，它可以和我的硬盘一样大。

pandas中有类似的东西吗？

我经常处理大型文件，无法访问分布式计算网络。

Answer 1

原则上它不应该耗尽内存，但是由于一些复杂的Python内部问题导致大文件read_csv存在内存问题（这很模糊，但很久以前就知道了：{ {3}}）。

目前还没有一个完美的解决方案（这里很乏味：你可以逐行将文件转录到预先分配的NumPy数组或内存映射文件中 - np.mmap），但这是我将在不久的将来开展的工作。另一个解决方案是以较小的块读取文件（使用iterator=True, chunksize=1000），然后使用pd.concat连接。当你将整个文本文件拉入内存时会出现问题。

Answer 2

Wes当然是对的！我只是想提供一些更完整的示例代码。我遇到了129 Mb文件的相同问题，该文件通过以下方式解决：

from pandas import *

tp = read_csv('large_dataset.csv', iterator=True, chunksize=1000)  # gives TextFileReader, which is iterable with chunks of 1000 rows.
df = concat(tp, ignore_index=True)  # df is DataFrame. If errors, do `list(tp)` instead of `tp`

Answer 3

这是一个较旧的主题，但我只想在此处转储我的解决方案。我最初尝试chunksize参数（即使是像10000这样的非常小的值），但它没有多大帮助;还有内存大小的技术问题（我的CSV是~7.5 Gb）。

现在，我只是以for循环方式读取CSV文件的块，然后逐步添加到SQLite数据库中：

import pandas as pd
import sqlite3
from pandas.io import sql
import subprocess

# In and output file paths
in_csv = '../data/my_large.csv'
out_sqlite = '../data/my.sqlite'

table_name = 'my_table' # name for the SQLite database table
chunksize = 100000 # number of lines to process at each iteration

# columns that should be read from the CSV file
columns = ['molecule_id','charge','db','drugsnow','hba','hbd','loc','nrb','smiles']

# Get number of lines in the CSV file
nlines = subprocess.check_output('wc -l %s' % in_csv, shell=True)
nlines = int(nlines.split()[0]) 

# connect to database
cnx = sqlite3.connect(out_sqlite)

# Iteratively read CSV and dump lines into the SQLite table
for i in range(0, nlines, chunksize):

    df = pd.read_csv(in_csv,  
            header=None,  # no header, define column header manually later
            nrows=chunksize, # number of rows to read at each iteration
            skiprows=i)   # skip rows that were already read

    # columns to read        
    df.columns = columns

    sql.to_sql(df, 
                name=table_name, 
                con=cnx, 
                index=False, # don't use CSV file index
                index_label='molecule_id', # use a unique column from DataFrame as index
                if_exists='append') 
cnx.close()

Answer 4

以下是我的工作流程。

import sqlalchemy as sa
import pandas as pd
import psycopg2

count = 0
con = sa.create_engine('postgresql://postgres:pwd@localhost:00001/r')
#con = sa.create_engine('sqlite:///XXXXX.db') SQLite
chunks = pd.read_csv('..file', chunksize=10000, encoding="ISO-8859-1",
                     sep=',', error_bad_lines=False, index_col=False, dtype='unicode')

根据您的文件大小，您最好优化chunksize。

 for chunk in chunks:
        chunk.to_sql(name='Table', if_exists='append', con=con)
        count += 1
        print(count)

在数据库中包含所有数据后，您可以从数据库中查询所需的数据。

Answer 5

如果你想加载巨大的csv文件，dask可能是个不错的选择。它模仿了pandas api，所以感觉与pandas非常相似

link to dask on github

Answer 6

您可以使用Pytable而不是pandas df。它专为大型数据集而设计，文件格式为hdf5。因此处理时间相对较快。

pandas中的大型持久性DataFrame

6 个答案: