Question

我有一个相对较大（1 GB）的文本文件，我希望通过对各个类别进行求和来减小它们的大小：

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

要：

Geography Count
County1   15
County2   23

如果整个文件适合内存但使用pandas.read_csv()给出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（这似乎很复杂 - 生成器？）或者只是使用标准文件方法读取第一个地理位置（70行），将计数列相加，并在加载另外70行之前写出。

有没有人对最佳方法有任何建议？我特别喜欢流数据的想法，特别是因为我可以想到很多其他有用的地方。我对这种方法最感兴趣，或者类似地使用最基本功能的方法。

编辑：在这个小案例中，我只想按地理位置计算总数。但是，如果我可以读入一个块，指定任何函数（比如一起添加2列，或者按地理位置取一列的最大值），应用函数，并在读取新块之前写入输出，这将是理想的。

Answer 1

您可以使用dask.dataframe，它在语法上类似于pandas，但执行非核心操作，因此内存不应成为问题：

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，如果要求pandas，则可以使用chunked读取，如@chrisaycock所述。您可能希望尝试使用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

我喜欢@root的解决方案，但我会进一步优化内存使用 - 只保留内存中的聚合DF并只读取那些您真正需要的列：

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使用这种方法可以处理大量文件。

使用分块方法的PPS应该可以工作，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，如awk，sort等来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 - 它非常快，允许您有条件地读取数据（使用where参数），因此它非常方便与CSV相比，节省了大量资源，通常为much faster。

如何在python中传输和操作大型数据文件

2 个答案: