python - 分块加载 csv 文件

Question

我有data set 2.5 GB，包含数千万行

我正在尝试加载数据，例如

 %%time
 import pandas as pd
 data=pd.read_csv('C:\\Users\\mahes_000\\Desktop\\yellow.csv',iterator=True,
                  chunksize=50000)

我得到多个 chunksize 部分，并且我正在尝试执行一些操作，例如

 %%time
 data.get_chunk().head(5)
 data.get_chunk().shape
 data.get_chunk().drop(['Rate_Code'],axis=1)

对于操作，它选择任何一个 chunksize 部分并对其执行所有操作。 那么剩下的部分呢？ 如何在不出现内存错误的情况下对完整数据进行操作。

Answer 1

来自参数 chunksize 的文档:

Return TextFileReader object for iteration

因此，通过将对象放入循环中，您将迭代地读取 chunksize 中指定的 block 中的数据:

chunksize = 5e4
for chunk in pd.read_csv(filename, chunksize=chunksize):
    #print(chunk.head(5))
    #print(chunk.shape())