Question

我有一个csv（大小约为750MB）。我必须将其分成大小不超过30Mb的小csv。

c1,c2,c3,c4
1,a,1,4
2,a,1,4
3,b,1,4
4,b,1,4
5,b,1,4
6,c,1,4

约束是，不同文件中不能有相同的c2。（例如，一个文件中不能有一半b，另一文件中不能有一半）如果C2本身的一个值大于30Mb，则将与该c2关联的数据打印到文件中

我用大熊猫做同样的事。我的代码

max_size = 30 * 1000000
df = pd.read_csv("data.csv", low_memory=False)
unique_ac_id = pd.unique(df.C2)

counter = 1
df_arr = []
total_size = 0

for ac_id in unique_ac_id:
    df_cur = df[df.C2 == ac_id]
    size = df_cur.memory_usage(index=False, deep=True).sum()
    if size > max_size:
        print(f'{ac_id} size is more than max size allowded')

    if total_size > max_size:
        pd.concat(df_arr).to_csv(f'out/splitter_{counter}.csv', index=False)
        counter += 1
        df_arr.clear()
        total_size = 0

    df_arr.append(df_cur)
    total_size += size

if len(df_arr) > 0:
    pd.concat(df_arr).to_csv(f'out/splitter_{counter}.csv', index=False)

有没有更好的方法来做同样的事情？

Answer 1

我想您可以使用csv ...？

语法非常简单：

>>> import csv
>>> with open('eggs.csv', 'rb') as csvfile:
...     spamreader = csv.reader(csvfile, delimiter=' ', quotechar='|')
...     for row in spamreader:
...         print ', '.join(row)
Spam, Spam, Spam, Spam, Spam, Baked Beans
Spam, Lovely Spam, Wonderful Spam

使用这种方法，我一次只读取30MB，然后将读取的内容假脱机到另一个csv。给定row中的向量内容，就可以确定每行的大小，并确定有多少行约30MB，因此希望这可以帮助您入门。

此外，鉴于有关c2的约束，您可能最终会打开多个csv，以便每个csv将包含其各自的c2分组。每行都是一个向量，因此在您给出的示例中，它似乎是第二个元素。

Answer 2

您可以轻松地将该CSV分成相等大小的块。

import pandas as pd
for i,chunk in enumerate(pd.read_csv('C:/your_path_here/main.csv', chunksize=100)):
    chunk.to_csv('chunk{}.csv'.format(i))

使用python将csv拆分为小csv

2 个答案: