文章目录
- 简介
- 读取前多少行
- 读取属性列
- 逐块读取整个文件
- 总结
- 参考资料
简介
遇到大型的csv文件时,pandas会把该文件全部加载进内存,从而导致程序运行速度变慢。
本文提供了批量读取csv文件、读取属性列的方法,减轻内存占用情况。
import pandas as pd
input_file = 'data.csv'
读取前多少行
加载前100000行数据
df = pd.read_csv(input_file, nrows=1e5)
df
查看每个字段占用的系统内存的情况
df.info(memory_usage='deep')
设置 memory_usage 的参数为 ‘deep’ 时,深度检查对象中的内存使用情况,包括对象中可能包含的其他对象(如列表、数组或其他数据结构)。若不设置deep参数,memory_usage 只会返回一个对象的基础内存使用情况,这主要基于对象本身的内存占用,而不考虑它可能引用的其他对象。
如上图所示,前100000行数据共占用220.MB内存。
查看每列属性的内存占用情况;
item = df.memory_usage(deep=True)
针对每个属性列的字节数进行求和,使用/ (1024 ** 2)
,实现1B到1MB的单位转换。验证了所有属性列的内存占用确实为 220.8MB。
内存占用从高到低降序排列:
df.memory_usage(deep=True).sort_values(ascending=False)
读取属性列
可能我们只关心, 一整张表中的某几个属性,比如:'企业名称', '经营范围'
。那么便无需把整张表加载进内存。
df2 = pd.read_csv(input_file, nrows=1e5, usecols=['企业名称', '经营范围'])
查看一下内存占用
df2.memory_usage(deep=True).sum() / (1024 ** 2)
只读取两个属性列,内存占用只有33MB。
逐块读取整个文件
pd.read_csv(input_file, chunksize=1e3, nrows=1e5)
nrows=1e5
: 读取100000条数据;chunksize=1e3
: 每一块是1000条数据;
故1e5
条数据,应该由100块1e3
的数据组成;
# 分批次读取, 每chunksize是一个批次
chunk_dfs = pd.read_csv(input_file, chunksize=1e3, nrows=1e5)
v = 0
cnt = 0
# 每个chunk_df 都是 dataframe 类型数据
for chunk_df in chunk_dfs:
print(chunk_df.shape)
cnt += 1
v += chunk_df.shape[0]
print(v, cnt)
上图验证了,总共处理了1e5
条数据,分成了100块进行读取。
总结
pd.read_csv(input_file, nrows, usecols, chunksize)
nrows
: 读取多少行数据;usecols
: 读取哪些属性列的数据;chunksize
:分块读取,每一块的大小是多少条数据;
参考资料
- 推荐 | 如何处理远超电脑内存的csv文件