パンダの大規模で永続的なDataFrame

私は、長年のSASユーザーとしてpythonとpandasへの切り替えを検討しています。

しかし、今日いくつかのテストを実行しているときpandas.read_csv()、128mbのcsvファイルを書き込もうとすると、Pythonがメモリ不足になって驚いた。約200,000行と200列の大部分が数値データでした。

SASを使用すると、csvファイルをSASデータセットにインポートでき、ハードドライブと同じ大きさになります。

に類似したものはありpandasますか？

私は定期的に大きなファイルを扱っており、分散コンピューティングネットワークにアクセスできません。

原則としてメモリ不足になることはないはずですが、現在read_csv、いくつかの複雑なPython内部問題によって引き起こされる大きなファイルでメモリの問題があります（これはあいまいですが、長い間知られていました：http : //github.com/pydata / pandas / issues / 407）。

現時点では完璧な解決策はありません（ここでは退屈な解決策です：ファイルを行ごとに事前に割り当てられたNumPy配列またはメモリマップファイルに転記できます- np.mmap）が、私が作業することになる近い将来に。別の解決策は、ファイルを小さい部分で読み取り（を使用iterator=True, chunksize=1000）、連結してからにすることpd.concatです。問題は、テキストファイル全体を1つの大きな丸呑みでメモリにプルするときに発生します。

ウェスはもちろん正しい！もう少し完全なサンプルコードを提供するために、ただ準備をしています。私は129 Mbファイルで同じ問題を抱えていましたが、それによって解決されました：

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`

これは古いスレッドですが、回避策の解決策をここにダンプしたいと思います。私は最初にchunksizeパラメーターを試しました（たとえ10000のような非常に小さな値でも）。メモリサイズにまだ技術的な問題がありました（私のCSVは〜7.5 Gbでした）。

現在、私はfor-loopアプローチでCSVファイルのチャンクを読み取って、たとえばSQLiteデータベースに段階的に追加します。

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()    

以下は私の作業フローです。

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')

ファイルサイズに基づいて、チャンクサイズを最適化します。

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

すべてのデータをデータベースに格納したら、必要なデータをデータベースからクエリできます。

巨大なcsvファイルをロードしたい場合は、daskが良いオプションかもしれません。パンダAPIを模倣しているため、パンダに非常によく似ています。

githubのdaskへのリンク

pandas dfではなくPytableを使用できます。大きなデータセット用に設計されており、ファイル形式はhdf5です。したがって、処理時間は比較的高速です。