Question

我有大量的csv数据，我需要处理大约40GB的大小（我们称之为＆＃39; body＆＃39;）。本机构中每个文件中的数据由单列CSV文件组成。每一行都是一个由单词和短句组成的关键词，例如

Dog
Feeding cat
used cars in Brighton
trips to London
.....

这些数据需要与另一组文件进行比较（这个文件大小为7GB，我将称之为＃39;删除＆＃39;），删除中的任何关键字都需要识别并从正文中删除。删除的数据类似于身体中的数据，即：

Guns
pricless ming vases
trips to London
pasta recipes
........

虽然我有一种方法可以完成工作，但这是一种非常缓慢的方法，可能需要一周时间才能完成。这是一种多线程方法，其中来自7GB主体的每个文件在for循环中与来自正文的文件进行比较。它将删除文件中的列作为列表进行转换，然后过滤正文文件以保留不在该列表中的任何行。然后将过滤后的数据附加到输出文件：

def thread_worker(file_):


    removal_path="removal_files"
    allFiles_removals = glob.glob(removal_path + "/*.csv", recursive=True)
    print(allFiles_removals)

    print(file_)
    file_df = pd.read_csv(file_)

    file_df.columns = ['Keyword']

    for removal_file_ in allFiles_removals:

        print(removal_file_)
        vertical_df = pd.read_csv(vertical_file_, header=None)

        vertical_df.columns = ['Keyword']

        vertical_keyword_list = vertical_df['Keyword'].values.tolist()

        file_df = file_df[~file_df['Keyword'].isin(vertical_keyword_list)]


    file_df.to_csv('output.csv',index=False, header=False, mode='a')

显然，我的主要目标是找出如何更快地完成这项工作。熊猫甚至是最好的方法吗？在处理CSV文件时，我倾向于默认使用它。

Answer 1

IIUC你可以这样做：

# read up "removal"  keywords from all CSV files, get rid of duplicates
removals = pd.concat([pd.read_csv(f, sep='~', header=None, names=['Keyword']) for f in removal_files]
                     ignore_index=True).drop_duplicates()


df = pd.DataFrame()
for f in body_files:
    # collect all filtered "body" data (file-by-file)
    df = pd.concat([df,
                    pd.read_csv(f, sep='~', header=None, names=['Keyword']) \
                      .query('Keyword not in @removals.Keyword')],
                   ignore_index=True)

Answer 2

您可以将它们分成小块阅读，并将文本列作为类别以在阅读时删除重复项

从 pandas.api.types 导入 CategoricalDtype

TextFileReader = pd.read_csv(path, chunksize=1000, dtype = {"text_column":CategoricalDtype}) # 每块的行数

dfList = [] 对于 TextFileReader 中的 df： dfList.append(df)

df = pd.concat(dfList,sort=False)

使用Pandas或其他方法比较大（~40GB）的文本数据

2 个答案: