熊猫中的大型持久性DataFrame

我正在探索以长期的SAS用户身份切换到python和pandas的问题。

但是，当今天运行一些测试时，令我惊讶的是python在尝试处理pandas.read_csv()128mb的csv文件时内存不足。它具有大约200,000行和200列的大多数数字数据。

使用SAS，我可以将csv文件导入SAS数据集，并且该文件可以与硬盘一样大。

有类似的东西pandas吗？

我经常处理大型文件，但是无法访问分布式计算网络。

原则上，它不应该用完内存，但是read_csv由于一些复杂的Python内部问题，当前存在大文件上的内存问题（这是模糊的，但已经有很长时间了：http : //github.com/pydata / pandas / issues / 407）。

目前还没有一个完美的解决方案（这是一个单调乏味的解决方案：您可以将文件逐行转录为预先分配的NumPy数组或内存映射文件- np.mmap），但这是我将要使用的解决方案。在不久的将来。另一种解决方案是先读取文件（使用iterator=True, chunksize=1000），然后再使用进行连接pd.concat。当您将整个文本文件拖入内存时，就会出现问题。

Wes当然是对的！我只是想提供一些更完整的示例代码。我遇到了129 Mb文件的相同问题，此问题已通过以下方式解决：

import pandas as pd

tp = pd.read_csv('large_dataset.csv', iterator=True, chunksize=1000)  # gives TextFileReader, which is iterable with chunks of 1000 rows.
df = pd.concat(tp, ignore_index=True)  # df is DataFrame. If errors, do `list(tp)` instead of `tp`

这是一个较旧的线程，但是我只想在这里转储我的解决方法。最初，我尝试了该chunksize参数（即使是很小的值，例如10000），但并没有太大帮助。内存大小仍然存在技术问题（我的CSV约为7.5 Gb）。

现在，我只是以for循环的方式读取了CSV文件的大块，并将它们例如逐步添加到SQLite数据库中：

import pandas as pd
import sqlite3
from pandas.io import sql
import subprocess

# In and output file paths
in_csv = '../data/my_large.csv'
out_sqlite = '../data/my.sqlite'

table_name = 'my_table' # name for the SQLite database table
chunksize = 100000 # number of lines to process at each iteration

# columns that should be read from the CSV file
columns = ['molecule_id','charge','db','drugsnow','hba','hbd','loc','nrb','smiles']

# Get number of lines in the CSV file
nlines = subprocess.check_output('wc -l %s' % in_csv, shell=True)
nlines = int(nlines.split()[0]) 

# connect to database
cnx = sqlite3.connect(out_sqlite)

# Iteratively read CSV and dump lines into the SQLite table
for i in range(0, nlines, chunksize):

    df = pd.read_csv(in_csv,  
            header=None,  # no header, define column header manually later
            nrows=chunksize, # number of rows to read at each iteration
            skiprows=i)   # skip rows that were already read

    # columns to read        
    df.columns = columns

    sql.to_sql(df, 
                name=table_name, 
                con=cnx, 
                index=False, # don't use CSV file index
                index_label='molecule_id', # use a unique column from DataFrame as index
                if_exists='append') 
cnx.close()    

以下是我的工作流程。

import sqlalchemy as sa
import pandas as pd
import psycopg2

count = 0
con = sa.create_engine('postgresql://postgres:pwd@localhost:00001/r')
#con = sa.create_engine('sqlite:///XXXXX.db') SQLite
chunks = pd.read_csv('..file', chunksize=10000, encoding="ISO-8859-1",
                     sep=',', error_bad_lines=False, index_col=False, dtype='unicode')

根据文件大小，最好对块大小进行优化。

 for chunk in chunks:
        chunk.to_sql(name='Table', if_exists='append', con=con)
        count += 1
        print(count)

将所有数据存储在数据库中之后，您可以从数据库中查询出所需的数据。

如果您想加载巨大的csv文件，则dask可能是一个不错的选择。它模仿了熊猫API，所以感觉和熊猫很相似

链接到github上的dask

您可以使用Pytable而不是pandas df。它是为大型数据集设计的，文件格式为hdf5。因此处理时间相对较快。