Leggere un enorme file .csv

Attualmente sto cercando di leggere i dati dai file .csv in Python 2.7 con un massimo di 1 milione di righe e 200 colonne (i file vanno da 100 MB a 1,6 GB). Posso farlo (molto lentamente) per i file con meno di 300.000 righe, ma una volta che vado sopra ottengo errori di memoria. Il mio codice ha questo aspetto:

def getdata(filename, criteria):
    data=[]
    for criterion in criteria:
        data.append(getstuff(filename, criteron))
    return data

def getstuff(filename, criterion):
    import csv
    data=[]
    with open(filename, "rb") as csvfile:
        datareader=csv.reader(csvfile)
        for row in datareader: 
            if row[3]=="column header":
                data.append(row)
            elif len(data)<2 and row[3]!=criterion:
                pass
            elif row[3]==criterion:
                data.append(row)
            else:
                return data

La ragione per la clausola else nella funzione getstuff è che tutti gli elementi che soddisfano il criterio saranno elencati insieme nel file csv, quindi lascio il ciclo quando li supero per risparmiare tempo.

Le mie domande sono:

1. Come posso farlo funzionare con i file più grandi?

2. C'è un modo per renderlo più veloce?

Il mio computer ha 8 GB di RAM, esegue Windows 7 a 64 bit e il processore è 3,40 GHz (non è sicuro di quali informazioni hai bisogno).

Stai leggendo tutte le righe in un elenco, quindi elaborando quell'elenco. Non farlo .

Elabora le tue righe mentre le produci. Se devi prima filtrare i dati, usa una funzione di generatore:

import csv

def getstuff(filename, criterion):
    with open(filename, "rb") as csvfile:
        datareader = csv.reader(csvfile)
        yield next(datareader)  # yield the header row
        count = 0
        for row in datareader:
            if row[3] == criterion:
                yield row
                count += 1
            elif count:
                # done when having read a consecutive series of rows 
                return

Ho anche semplificato il test del filtro; la logica è la stessa ma più concisa.

Poiché stai abbinando solo una singola sequenza di righe che corrisponde al criterio, potresti anche utilizzare:

import csv
from itertools import dropwhile, takewhile

def getstuff(filename, criterion):
    with open(filename, "rb") as csvfile:
        datareader = csv.reader(csvfile)
        yield next(datareader)  # yield the header row
        # first row, plus any subsequent rows that match, then stop
        # reading altogether
        # Python 2: use `for row in takewhile(...): yield row` instead
        # instead of `yield from takewhile(...)`.
        yield from takewhile(
            lambda r: r[3] == criterion,
            dropwhile(lambda r: r[3] != criterion, datareader))
        return

Ora puoi eseguire il ciclo getstuff()direttamente. Fai lo stesso in getdata():

def getdata(filename, criteria):
    for criterion in criteria:
        for row in getstuff(filename, criterion):
            yield row

Ora getdata()fai il loop direttamente nel tuo codice:

for row in getdata(somefilename, sequence_of_criteria):
    # process row

Ora tieni solo una riga in memoria, invece delle tue migliaia di righe per criterio.

yieldrende una funzione una funzione del generatore , il che significa che non farà alcun lavoro finché non inizi a scorrere su di essa.

Anche se la risposta di Martijin è probabilmente la migliore. Ecco un modo più intuitivo per elaborare file CSV di grandi dimensioni per principianti. Ciò consente di elaborare gruppi di righe o blocchi alla volta.

import pandas as pd
chunksize = 10 ** 8
for chunk in pd.read_csv(filename, chunksize=chunksize):
    process(chunk)

Eseguo una discreta quantità di analisi delle vibrazioni e guardo grandi set di dati (decine e centinaia di milioni di punti). I miei test hanno mostrato che la funzione pandas.read_csv () è 20 volte più veloce di numpy.genfromtxt (). E la funzione genfromtxt () è 3 volte più veloce di numpy.loadtxt (). Sembra che tu abbia bisogno di panda per grandi set di dati.

Ho pubblicato il codice e i set di dati che ho usato in questo test su un blog che discuteva di MATLAB e Python per l'analisi delle vibrazioni .

quello che ha funzionato per me era ed è superveloce lo è

import pandas as pd
import dask.dataframe as dd
import time
t=time.clock()
df_train = dd.read_csv('../data/train.csv', usecols=[col1, col2])
df_train=df_train.compute()
print("load train: " , time.clock()-t)

Un'altra soluzione di lavoro è:

import pandas as pd 
from tqdm import tqdm

PATH = '../data/train.csv'
chunksize = 500000 
traintypes = {
'col1':'category',
'col2':'str'}

cols = list(traintypes.keys())

df_list = [] # list to hold the batch dataframe

for df_chunk in tqdm(pd.read_csv(PATH, usecols=cols, dtype=traintypes, chunksize=chunksize)):
    # Can process each chunk of dataframe here
    # clean_data(), feature_engineer(),fit()

    # Alternatively, append the chunk to list and merge all
    df_list.append(df_chunk) 

# Merge all dataframes into one dataframe
X = pd.concat(df_list)

# Delete the dataframe list to release memory
del df_list
del df_chunk

Per qualcuno che atterra a questa domanda. L'utilizzo di panda con " chunksize " e " usecols " mi ha aiutato a leggere un enorme file zip più velocemente rispetto alle altre opzioni proposte.

import pandas as pd

sample_cols_to_keep =['col_1', 'col_2', 'col_3', 'col_4','col_5']

# First setup dataframe iterator, ‘usecols’ parameter filters the columns, and 'chunksize' sets the number of rows per chunk in the csv. (you can change these parameters as you wish)
df_iter = pd.read_csv('../data/huge_csv_file.csv.gz', compression='gzip', chunksize=20000, usecols=sample_cols_to_keep) 

# this list will store the filtered dataframes for later concatenation 
df_lst = [] 

# Iterate over the file based on the criteria and append to the list
for df_ in df_iter: 
        tmp_df = (df_.rename(columns={col: col.lower() for col in df_.columns}) # filter eg. rows where 'col_1' value grater than one
                                  .pipe(lambda x:  x[x.col_1 > 0] ))
        df_lst += [tmp_df.copy()] 

# And finally combine filtered df_lst into the final lareger output say 'df_final' dataframe 
df_final = pd.concat(df_lst)

ecco un'altra soluzione per Python3:

import csv
with open(filename, "r") as csvfile:
    datareader = csv.reader(csvfile)
    count = 0
    for row in datareader:
        if row[3] in ("column header", criterion):
            doSomething(row)
            count += 1
        elif count > 2:
            break

ecco datareaderuna funzione del generatore.

Se si utilizza panda e hanno un sacco di RAM (basta leggere l'intero file in memoria) provare a utilizzare pd.read_csvcon low_memory=False, ad esempio:

import pandas as pd
data = pd.read_csv('file.csv', low_memory=False)