我在一个大文本文件中有一个时间序列。 该文件超过 4 GB。
因为它是一个时间序列,我只想阅读 1% 的行。
所需的极简示例:
df = pandas.read_csv('super_size_file.log',
load_line_percentage = 1)
print(df)
期望的输出:
>line_number, value
0, 654564
100, 54654654
200, 54
300, 46546
...
加载后我无法重新采样,因为首先加载它需要太多内存。
我可能想逐 block 加载并重新采样每个 block 。但对我来说似乎效率低下。
欢迎任何想法。 ;)
最佳答案
每当我必须处理一个非常大的文件时,我都会问“Dask 会做什么?”。
将大文件作为 dask.DataFrame
加载,将索引转换为列(由于完全索引控制不可用的解决方法),并在该新列上进行过滤。
import dask.dataframe as dd
import pandas as pd
nth_row = 100 # grab every nth row from the larger DataFrame
dask_df = dd.read_csv('super_size_file.log') # assuming this file can be read by pd.read_csv
dask_df['df_index'] = dask_df.index
dask_df_smaller = dask_df[dask_df['df_index'] % nth_row == 0]
df_smaller = dask_df_smaller.compute() # to execute the operations and return a pandas DataFrame
这将为您提供较大文件中的第 0、100、200 行等。如果您想将 DataFrame 缩减为特定列,请在调用计算之前执行此操作,即 dask_df_smaller = dask_df_smaller[['Signal_1', 'Signal_2']]
。您还可以使用 scheduler='processes'
选项调用计算以使用 CPU 上的所有内核。
关于python - 如何读取非常大的 CSV 中的一小部分行。 Pandas - 时间序列 - 大型数据集,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/56275492/