如何在Pandas read_csv函数的负载中过滤行？

如何使用熊猫过滤CSV的哪些行要加载到内存中？这似乎是应该在中找到的一种选择read_csv。我想念什么吗？

示例：我们有一个带时间戳列的CSV，我们只想加载时间戳大于给定常量的行。

在将CSV文件加载到pandas对象之前，没有选项可以过滤行。

您可以加载文件，然后使用进行过滤df[df['field'] > constant]，或者如果文件很大，又担心内存用完，则可以使用迭代器并在连接文件块时应用过滤器，例如：

import pandas as pd
iter_csv = pd.read_csv('file.csv', iterator=True, chunksize=1000)
df = pd.concat([chunk[chunk['field'] > constant] for chunk in iter_csv])

您可以更改chunksize以适合您的可用内存。有关更多详细信息，请参见此处。

在的上下文中，我没有找到直接的方法read_csv。但是，read_csv返回一个DataFrame，可以通过按布尔向量选择行来对其进行过滤df[bool_vec]：

filtered = df[(df['timestamp'] > targettime)]

这将选择df中的所有行（假设df是任何DataFrame，例如read_csv调用的结果，至少包含datetime列timestamp），因此该timestamp列中的值大于targettime的值。类似的问题。

如果过滤后的范围是连续的（通常使用时间（时间戳）过滤器），那么最快的解决方案是对行范围进行硬编码。只需skiprows=range(1, start_row)与nrows=end_row参数结合即可。然后，导入将花费数秒，而接受的解决方案将花费数分钟。start_row考虑到导入时间的节省，一些最初的实验并不是很大的成本。注意，我们使用保留了标题行range(1,..)。

如果您使用的是Linux，则可以使用grep。

# to import either on Python2 or Python3
import pandas as pd
from time import time # not needed just for timing
try:
    from StringIO import StringIO
except ImportError:
    from io import StringIO


def zgrep_data(f, string):
    '''grep multiple items f is filepath, string is what you are filtering for'''

    grep = 'grep' # change to zgrep for gzipped files
    print('{} for {} from {}'.format(grep,string,f))
    start_time = time()
    if string == '':
        out = subprocess.check_output([grep, string, f])
        grep_data = StringIO(out)
        data = pd.read_csv(grep_data, sep=',', header=0)

    else:
        # read only the first row to get the columns. May need to change depending on 
        # how the data is stored
        columns = pd.read_csv(f, sep=',', nrows=1, header=None).values.tolist()[0]    

        out = subprocess.check_output([grep, string, f])
        grep_data = StringIO(out)

        data = pd.read_csv(grep_data, sep=',', names=columns, header=None)

    print('{} finished for {} - {} seconds'.format(grep,f,time()-start_time))
    return data

您可以指定nrows参数。

import pandas as pd df = pd.read_csv('file.csv', nrows=100)

此代码在0.20.3版中效果很好。