python读取大型csv文件的操作方法(降低内存占用)

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；

到此这篇关于python读取大型csv文件的操作方法(降低内存占用)的文章就介绍到这了,更多相关python读取大型csv文件内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！