我目前正在尝试从 Python 2.7 中的 .csv 文件中读取数据,该文件最多有 100 万行和 200 列(文件范围从 100mb 到 1.6gb)。我可以对 300,000 行以下的文件执行此操作(非常缓慢),但是一旦超过此值,我就会出现内存错误。我的代码如下所示:
def getdata(filename, criteria):
data=[]
for criterion in criteria:
data.append(getstuff(filename, criteron))
return data
def getstuff(filename, criterion):
import csv
data=[]
with open(filename, "rb") as csvfile:
datareader=csv.reader(csvfile)
for row in datareader:
if row[3]=="column header":
data.append(row)
elif len(data)<2 and row[3]!=criterion:
pass
elif row[3]==criterion:
data.append(row)
else:
return data
getstuff 函数中的 else 子句的原因是所有符合条件的元素都会一起列在 csv 文件中,所以当我通过它们时我会离开循环以节省时间。
我的问题是:
我怎样才能让它与更大的文件一起使用?
有什么方法可以让它更快?
我的电脑有 8GB RAM,运行 64 位 Windows 7,处理器为 3.40 GHz(不确定您需要什么信息)。
最佳答案
您正在将所有行读入一个列表,然后处理该列表。 不要这样做。
在生成行时对其进行处理。如果您需要先过滤数据,请使用生成器函数:
import csv
def getstuff(filename, criterion):
with open(filename, "rb") as csvfile:
datareader = csv.reader(csvfile)
yield next(datareader) # yield the header row
count = 0
for row in datareader:
if row[3] == criterion:
yield row
count += 1
elif count:
# done when having read a consecutive series of rows
return
我还简化了您的过滤器测试;逻辑相同,但更简洁。
因为您只匹配符合条件的单个行序列,您也可以使用:
import csv
from itertools import dropwhile, takewhile
def getstuff(filename, criterion):
with open(filename, "rb") as csvfile:
datareader = csv.reader(csvfile)
yield next(datareader) # yield the header row
# first row, plus any subsequent rows that match, then stop
# reading altogether
# Python 2: use `for row in takewhile(...): yield row` instead
# instead of `yield from takewhile(...)`.
yield from takewhile(
lambda r: r[3] == criterion,
dropwhile(lambda r: r[3] != criterion, datareader))
return
您现在可以直接循环 getstuff()
。在 getdata()
中执行相同操作:
def getdata(filename, criteria):
for criterion in criteria:
for row in getstuff(filename, criterion):
yield row
现在在您的代码中直接循环 getdata()
:
for row in getdata(somefilename, sequence_of_criteria):
# process row
您现在只在内存中保存 一行,而不是每个标准都有数千行。
yield
使函数成为 generator function ,这意味着在你开始循环之前它不会做任何工作。
关于python - 读取一个巨大的 .csv 文件,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/17444679/