Question

如何使用pandas过滤哪些CSV行加载到内存中？这似乎是read_csv中应该找到的选项。我错过了什么吗？

示例：我们有一个带有时间戳列的CSV，我们只想加载时间戳大于给定常量的行。

Answer 1

在将CSV文件加载到pandas对象之前，没有选项可以过滤行。

您可以加载文件然后使用df[df['field'] > constant]进行过滤，或者如果您有一个非常大的文件并且您担心内存耗尽，那么请使用迭代器并在连接您的块时应用过滤器文件例如：

import pandas as pd
iter_csv = pd.read_csv('file.csv', iterator=True, chunksize=1000)
df = pd.concat([chunk[chunk['field'] > constant] for chunk in iter_csv])

您可以改变chunksize以适合您的可用内存。有关详细信息，请参阅here。

Answer 2

我没有在read_csv的上下文中找到直接的方法。但是，read_csv会返回一个DataFrame，可以通过布尔向量df[bool_vec]选择行来过滤：

filtered = df[(df['timestamp'] > targettime)]

这是选择df中的所有行（假设df是任何DataFrame，例如read_csv调用的结果，至少包含日期时间列timestamp），其中的值为{ {1}}列大于targettime的值。 Similar question

Answer 3

如果过滤后的范围是连续的（通常是使用时间（时间戳）过滤器），那么最快的解决方案是对行范围进行硬编码。只需将skiprows=range(1, start_row)与nrows=end_row参数组合即可。然后，导入将花费数秒，而接受的解决方案将花费数分钟。考虑到导入时间的节省，使用初始start_row进行的一些实验并不是很大的费用。请注意，我们使用range(1,..)保留了标题行。

Answer 4

您可以指定nrows参数。

import pandas as pd df = pd.read_csv('file.csv', nrows=100)

此代码在0.20.3版本中效果很好。

Answer 5

如果您使用的是Linux，则可以使用grep。

# to import either on Python2 or Python3
import pandas as pd
from time import time # not needed just for timing
try:
    from StringIO import StringIO
except ImportError:
    from io import StringIO


def zgrep_data(f, string):
    '''grep multiple items f is filepath, string is what you are filtering for'''

    grep = 'grep' # change to zgrep for gzipped files
    print('{} for {} from {}'.format(grep,string,f))
    start_time = time()
    if string == '':
        out = subprocess.check_output([grep, string, f])
        grep_data = StringIO(out)
        data = pd.read_csv(grep_data, sep=',', header=0)

    else:
        # read only the first row to get the columns. May need to change depending on 
        # how the data is stored
        columns = pd.read_csv(f, sep=',', nrows=1, header=None).values.tolist()[0]    

        out = subprocess.check_output([grep, string, f])
        grep_data = StringIO(out)

        data = pd.read_csv(grep_data, sep=',', names=columns, header=None)

    print('{} finished for {} - {} seconds'.format(grep,f,time()-start_time))
    return data

Answer 6

可接受的答案的替代方法是将read_csv（）应用于通过过滤输入文件而获得的StringIO。

with open(<file>) as f:
    text = "\n".join([line for line in f if <condition>])

df = pd.read_csv(StringIO(text))

当过滤条件仅保留一小部分行时，此解决方案通常比接受的答案要快

Answer 7

考虑您有以下数据框

+----+--------+
| Id | Name   |
+----+--------+
|  1 | Sarath |
|  2 | Peter  |
|  3 | James  |
+----+--------+

如果您需要过滤 Id = 1 处的记录，则可以使用以下代码。

df = pd.read_csv('Filename.csv', sep = '|')
df = df [(df ["Id"] == 1)]

这将产生以下输出。

+----+--------+
| Id | Name   |
+----+--------+
|  1 | Sarath |
+----+--------+

如何在Pandas read_csv函数中过滤加载行？

7 个答案: