我有一亿行csv,我必须像这样用大 pandas 来阅读:
df_chunks = pandas.read_csv(
'my-file.csv.gz',
sep='\t',
chunksize=100000,
compression='gzip')
for df in df_chunks:
# here I filter some rows and columns and after that
# I write to a new csv
filtered_df.to_csv(
'my_filtered.csv.gz',
sep=',',
columns=['id', 'date'],
compression='gzip',
mode='a')
我想写的数据看起来像这样,只有2列
id,date
42517544,2019-06-30
42517544,2019-06-30
42517544,2019-07-01
...
现在我可以使用类似的东西,df.drop_duplicates()
但是由于我正在分块编写,所以最终可能会出现重复。注意文件很大,大约10G,所以我需要分块读写。
我想找到一种方法来处理大 pandas ,也许还可以在内存中设置一个不消耗太多内存的集合,因为这也是一个约束。
有什么好的方法呢?
一百万行
np.random.seed([3, 1415])
n = 1_000_000
dfout = pd.DataFrame({
'id': np.random.randint(1000, size=n),
'date': np.random.choice(pd.date_range('2019-01-01', periods=1000), size=n)
})
dfout.to_csv('my-file.csv.gz', compression='gzip', sep='\t', index=False)
像你一样大块
df_chunks = pd.read_csv(
'my-file.csv.gz',
sep='\t',
chunksize=100000,
compression='gzip')
每个唯一写入单个文件 date
for i, df in enumerate(df_chunks):
for date, d in df.groupby('date'):
date = pd.Timestamp(date)
d.drop_duplicates().to_csv(
f'{date:%Y%m%d}.csv.gz',
compression='gzip',
mode='a',
index=False,
header=False
)
print(f'\r{i}', end='')
读入每个日期文件drop_duplicates
,然后写回
from pathlib import Path
path = Path('.')
for i, fh in enumerate(path.glob('[0-9]' * 8 + '.csv.gz')):
df = pd.read_csv(fh, header=None)
df.drop_duplicates().to_csv(
'my_filtered.csv.gz',
compression='gzip',
mode='a',
index=False,
header=False
)
print(f'\r{i}: {fh}', end='')
df = pd.read_csv(
'my_filtered.csv.gz',
compression='gzip',
header=None,
names=['id', 'date']
)
assert len(df) == len(dfout) - dfout.duplicated().sum()
assert df.duplicated().sum() == 0
非常详细的方法,这确实是一个最佳解决方案,请尝试一下,谢谢!