简介

遇到大型的csv文件时，pandas会把该文件全部加载进内存，从而导致程序运行速度变慢。
本文提供了批量读取csv文件、读取属性列的方法，减轻内存占用情况。

import pandas as pd

input_file = 'data.csv'

读取前多少行

加载前100000行数据

df = pd.read_csv(input_file, nrows=1e5)
df

查看每个字段占用的系统内存的情况

df.info(memory_usage='deep')

设置 memory_usage 的参数为 ‘deep’ 时，深度检查对象中的内存使用情况，包括对象中可能包含的其他对象（如列表、数组或其他数据结构）。若不设置deep参数，memory_usage 只会返回一个对象的基础内存使用情况，这主要基于对象本身的内存占用，而不考虑它可能引用的其他对象。

如上图所示，前100000行数据共占用220.MB内存。

查看每列属性的内存占用情况；

item = df.memory_usage(deep=True)

针对每个属性列的字节数进行求和，使用/ (1024 ** 2)，实现1B到1MB的单位转换。验证了所有属性列的内存占用确实为 220.8MB。

内存占用从高到低降序排列：

df.memory_usage(deep=True).sort_values(ascending=False)

读取属性列

可能我们只关心， 一整张表中的某几个属性，比如：'企业名称', '经营范围'。那么便无需把整张表加载进内存。

df2 = pd.read_csv(input_file, nrows=1e5, usecols=['企业名称', '经营范围'])

查看一下内存占用

df2.memory_usage(deep=True).sum() / (1024 ** 2)

只读取两个属性列，内存占用只有33MB。

逐块读取整个文件

pd.read_csv(input_file, chunksize=1e3, nrows=1e5)

• nrows=1e5: 读取100000条数据；
• chunksize=1e3: 每一块是1000条数据；

故1e5条数据，应该由100块1e3的数据组成；

# 分批次读取, 每chunksize是一个批次
chunk_dfs = pd.read_csv(input_file, chunksize=1e3, nrows=1e5)

v = 0
cnt = 0
# 每个chunk_df 都是 dataframe 类型数据
for chunk_df in chunk_dfs:
    print(chunk_df.shape)
    cnt += 1
    v += chunk_df.shape[0]

print(v, cnt)

上图验证了，总共处理了1e5条数据，分成了100块进行读取。

总结

pd.read_csv(input_file, nrows, usecols, chunksize)

• nrows: 读取多少行数据；
• usecols: 读取哪些属性列的数据；
• chunksize：分块读取，每一块的大小是多少条数据；

参考资料

• 推荐 | 如何处理远超电脑内存的csv文件