python处理大型数据的csv

在训练机器学习模型的过程中，源数据常常不符合我们的要求。大量繁杂的数据，需要按照我们的需求进行过滤。拿到我们想要的数据格式，并建立能够反映数据间逻辑结构的数据表达形式。 
最近就拿到一个小任务，需要处理70多万条数据。

我们在处理CSV文件时，经常使用的大熊猫，可以帮助处理较大的CSV文件。

大熊猫中处理CSV文件的函数主要为read_csv() 状语从句：to_csv()这两个，其中read_csv() 读取CSV文件的内容并返回DataFrame，to_csv() 则是其逆过程。

在一前的博客中，曾写过用大熊猫按照一行一行的方式来取取CSV文件的方式，具体可以看这篇链接.Python基础：CSV文件的读写（熊猫，CSV两种方式） 
但这样读取的方式，显然比较低效，下面是我自己在处理数据时使用过的一些比较实用的方法。

1.读取限定列

一个CSV文件中，往往有很多不同的列，而我们通常只关注其中的某些列，如果把每行都读取出来，再提取信息，显然会增加IO量，因此我们可以在读文件的时候，定给read_csv()方法的参数，从而提高效率。

file = pd.read_csv('demo.csv',usecols=['column1', 'column2', 'column3'])

在usecols参数中，给定了要读取的3列，文件中则只包含这3列的信息。

2.读取限定行

实际写代码的过程中，往往需要先跑一部分数据进行测试，测试通过后，再处理所有的数据。也可能我们仅仅需要一部分数据进行运算。时候这就可以使用read_csv()方法中的nrows参数，设定读取的行数。

file = pd.read_csv('demo.csv',nrows=1000,usecols=['column1', 'column2', 'column3'])

仅读取前1000行数据。

3.分块读取

read_csv()方法中还有一个参数，chunksize可以指定一个CHUNKSIZE分块大小来读取文件。与直接使用DF进行遍历不同的是，查看报道的它英文的一个TextFileReader类型的对象。

1. reader = pd.read_csv('demo.csv',nrows=10000,

2. usecols=['column1','column2','column3'],

3. chunksize=1000,iterator=True)

4. reader

输出： 

4.其他

头（）和尾部（）

拿到一个很大的CSV文件后，为了看清文件的格式，可以使用该方法，先查看前10条数据。头（）方法默认是10条，也可以用尾（）方法查看最后10条数据。

1. file = pd.read_csv('demo.csv')

2. df = pd.DataFrame(file)

3.  

4. df.head()

5. df.tail()

目前用到的就是这些，之后用到再补充。

拿到数据之后，分析数据之间的逻辑，建立相应的能够表示数据间逻辑关系的数据结构，再进行相应的处理。

原文链接：https：//blog.csdn.net/ninnyyan/article/details/80999378

 

使用pandas分块处理大文件

问题：今天在处理快手的用户数据时，遇到了一个差不多600M的TXT文本，用升华打开都蹦了，我用pandas.read_table（）去读，差不多花了近2分钟，最后打开发现差不多3千万行数据。这仅仅是打开，如果要处理不知得多费劲。

解决：我翻了一下文档，这一类读取文件的函数有两个参数：chunksize，iterator

原理就是不一次性把文件数据读入内存中，而是分多次。

1，指定CHUNKSIZE分块读取文件

read_csv 和  read_table 有一个chunksize参数，用以指定一个块大小（每次读取多少行），返回一个可迭代的  TextFileReader 对象。

1. table=pd.read_table(path+'kuaishou.txt',sep='\t',chunksize=1000000)

2. for df in table:

3. 对df处理

4. #如df.drop(columns=['page','video_id'],axis=1,inplace=True)

5. #print(type(df),df.shape)打印看一下信息

• 1
• 2
• 3
• 4
• 五

我这里又对文件进行了划分，分成若干个子文件分别处理（没错，to_csv也同样有CHUNKSIZE参数）

2，指定迭代=真

iterator=True报道查看同样的的英文TextFileReader对象

1. reader = pd.read_table('tmp.sv', sep='\t', iterator=True)

2. df=reader.get_chunk(10000)

3. #通过get_chunk(size)，返回一个size行的块

4. #接着同样可以对df处理

• 1
• 2
• 3
• 4

直接看看大熊猫在文档方面这一内容的吧。

原文链接：https：//www.cnblogs.com/frchen/p/5749814.html

使用Python Pandas处理亿级数据

在数据分析领域，最热门的莫过于的Python和R语言，此前有一篇文章“ 别老扯什么的Hadoop了，你的数据根本不够大 ”指出：只有在超过5TB数据量的规模下，Hadoop的才是一个合理的技术选择这次拿到近亿条日志数据，千万级数据已经是关系型数据库的查询分析瓶颈，之前使用过的Hadoop对大量文本进行分类，这次决定采用的Python来处理数据：

• 硬件环境
  • CPU：3.5 GHz Intel Core i7
  • 内存：32 GB HDDR 3 1600 MHz
  • 硬盘：3 TB Fusion Drive
• 数据分析工具
  • 的Python：2.7.6
  • 熊猫：0.15.0
  • IPython笔记本：2.0.0

源数据如下表所示：

	表	尺寸	说明
ServiceLogs	98,706,832行x 14列	8.77 GB	交易日志数据，每个交易会话可以有多条交易
ServiceCodes	286行×8列	20 KB	交易分类的字典表

数据读取

启动IPython notebook，加载pylab环境：

ipython notebook --pylab=inline

大熊猫提供了IO工具可以将大文件分块读取，测试了一下性能，完整加载9800万条数据也只需要263秒左右，还是相当不错了。

1. import pandas as pd

2. reader = pd.read_csv('data/servicelogs', iterator=True)

3. try:

4. df = reader.get_chunk(100000000)

5. except StopIteration:

6. print "Iteration is stopped."

	1百万条	1千万条	1亿条
ServiceLogs	1秒	17秒	263秒

使用不同分块大小来读取再 调用pandas.concat  连接数据帧，CHUNKSIZE设置在1000万条左右速度优化比较明显。

1. loop = True

2. chunkSize = 100000

3. chunks = []

4. while loop:

5. try:

6. chunk = reader.get_chunk(chunkSize)

7. chunks.append(chunk)

8. except StopIteration:

9. loop = False

10. print "Iteration is stopped."

11. df = pd.concat(chunks, ignore_index=True)

下面是统计数据，读取时间是数据读取时间，总时间是读取和Pandas进行concat操作的时间，根据数据总量来看，对5~50个DataFrame对象进行合并，性能表现比较好。

块大小	阅读时间	总时间	性能
100000	224.418173	261.358521
200000	232.076794	256.674154
百万	213.128481	234.934142	√√
2000000	208.410618	230.006299	√√√
5000000	209.460829	230.939319	√√√
10,000,000	207.082081	228.135672	√√√√
20000000	209.628596	230.775713	√√√
50000000	222.910643	242.405967
亿	263.574246	263.574246

 

如果使用Spark提供的Python Shell，同样编写Pandas加载数据，时间会短25秒左右，看来Spark对Python的内存使用都有优化。

数据清洗

大熊猫提供了  DataFrame.describe  方法查看数据摘要，包括数据查看（默认共输出首尾60行数据）和行列统计。由于源数据通常包含一些空值甚至空列，会影响数据分析的时间和效率，在预览了数据摘要后，需要对这些无效数据进行处理。

首先调用  DataFrame.isnull（）  方法查看数据表中哪些为空值，与它相反的方法是  DataFrame.notnull（） ，Pandas会将表中所有数据进行null计算，以真/假作为结果进行填充，如下图所示：

大熊猫的非空计算速度很快，9800万数据也只需要28.7秒。得到初步信息之后，可以对表中空列进行移除操作。尝试了按列名依次计算获取非空列，和  DataFrame.dropna（ ）  两种方式，时间分别为367.0秒和345.3秒，但检查时发现dropna（）之后所有的行都没有了，查了Pandas手册，原来不加参数的情况下，dropna（）会移除所有包含空值的行。如果只想移除全部为空值的列，需要加上轴和如何两个参数：

df.dropna(axis=1, how='all')

共移除了14列中的6列，时间也只消耗了85.9秒。

接下来是处理剩余行中的空值，经过测试，在  DataFrame.replace（）  中使用空字符串，要比默认的空值的NaN节省一些空间;但对整个CSV文件来说，空列只是多存了一个“，”，所以移除的9800万x 6列也只省了了200M的空间。进一步的数据清洗还是在移除无用数据和合并上。

对数据列的丢弃，除无效值和需求规定之外，一些表自身的冗余列也需要在这个环节清理，比如说表中的流水号是某两个字段拼接，类型描述等，通过对这些数据的丢弃，新的数据文件大小为4.73GB，足足减少了4.04克！

数据处理

使用  DataFrame.dtypes  可以查看每列的数据类型，Pandas默认可以读出int和float64，其它的都处理为object，需要转换格式的一般为日期时间.DataFrame.astype（）  方法可对整个DataFrame或某一列进行数据格式转换，支持的Python和NumPy的的数据类型。

df['Name'] = df['Name'].astype(np.datetime64)

对数据聚合，我测试了DataFrame.groupby和DataFrame.pivot_table以及pandas.merge，groupby 9800万行x 3列的时间为99秒，连接表为26秒，生成透视表的速度更快，仅需5秒。

1. df.groupby(['NO','TIME','SVID']).count() # 分组

2. fullData = pd.merge(df, trancodeData)[['NO','SVID','TIME','CLASS','TYPE']] # 连接

3. actions = fullData.pivot_table('SVID', columns='TYPE', aggfunc='count') # 透视表

根据透视表生成的交易/查询比例饼图：

将日志时间加入透视表并输出每天的交易/查询比例图：

1. total_actions = fullData.pivot_table('SVID', index='TIME', columns='TYPE', aggfunc='count')

2. total_actions.plot(subplots=False, figsize=(18,6), kind='area')

 

除此之外，熊猫提供的数据帧查询统计功能速度表现也非常优秀，7秒以内就可以查询生成所有类型为交易的数据子表：

tranData = fullData[fullData['Type'] == 'Transaction']

该子表的大小为[10250666 rows x 5 columns]。在此已经完成了数据处理的一些基本场景。实验结果足以说明，在非“> 5TB”数据的情况下，Python的表现已经能让擅长使用统计分析语言的数据分析师游刃有余。

http://www.justinablog.com/archives/1357