巨大な.csvファイルの読み取り

現在、最大100万行、200列のPython 2.7の.csvファイルからデータを読み取ろうとしています（ファイルの範囲は100mbから1.6gbです）。300,000行未満のファイルに対してこれを（非常にゆっくりと）実行できますが、それを超えるとメモリエラーが発生します。私のコードは次のようになります：

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関数のelse句の理由は、基準に一致するすべての要素がcsvファイルにまとめてリストされるため、時間を節約するためにそれらを通過したときにループを終了するためです。

私の質問は：

1. これを大きなファイルで動作させるにはどうすればよいですか？

2. 速くする方法はありますか？

私のコンピューターには8 GBのRAMがあり、64ビットのWindows 7を実行しています。プロセッサーは3.40 GHzです（必要な情報は不明）。

すべての行をリストに読み込んでから、そのリストを処理しています。しないでください。

行を生成しながら処理します。最初にデータをフィルタリングする必要がある場合は、ジェネレーター関数を使用します。

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

フィルターテストも簡略化しました。ロジックは同じですが、より簡潔です。

条件に一致する行の単一のシーケンスのみを一致させるため、次のように使用することもできます。

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

これでgetstuff()直接ループできます。同じことをgetdata()：

def getdata(filename, criteria):
    for criterion in criteria:
        for row in getstuff(filename, criterion):
            yield row

getdata()コードで直接ループします。

for row in getdata(somefilename, sequence_of_criteria):
    # process row

基準ごとに数千行ではなく、メモリに1行しか保持しなくなりました。

yield関数をジェネレータ関数にします。つまり、ループを開始するまで関数は機能しません。

マルティジンの答えは確率が高いですが。これは、初心者向けの大きなcsvファイルを処理するためのより直感的な方法です。これにより、行またはチャンクのグループを一度に処理できます。

import pandas as pd
chunksize = 10 ** 8
for chunk in pd.read_csv(filename, chunksize=chunksize):
    process(chunk)

私はかなりの量の振動解析を行い、大規模なデータセット（数千億点）を調べます。私のテストでは、pandas.read_csv（）関数がnumpy.genfromtxt（）より20倍高速であることが示されました。また、genfromtxt（）関数は、numpy.loadtxt（）より3倍高速です。大きなデータセットにはパンダが必要なようです。

このテストで使用したコードとデータセットを、振動解析用のMATLABとPythonについて議論しているブログに投稿しました。

私にとってうまくいったのは、超高速です

import pandas as pd
import dask.dataframe as dd
import time
t=time.clock()
df_train = dd.read_csv('../data/train.csv', usecols=[col1, col2])
df_train=df_train.compute()
print("load train: " , time.clock()-t)

別の実用的な解決策は：

import pandas as pd 
from tqdm import tqdm

PATH = '../data/train.csv'
chunksize = 500000 
traintypes = {
'col1':'category',
'col2':'str'}

cols = list(traintypes.keys())

df_list = [] # list to hold the batch dataframe

for df_chunk in tqdm(pd.read_csv(PATH, usecols=cols, dtype=traintypes, chunksize=chunksize)):
    # Can process each chunk of dataframe here
    # clean_data(), feature_engineer(),fit()

    # Alternatively, append the chunk to list and merge all
    df_list.append(df_chunk) 

# Merge all dataframes into one dataframe
X = pd.concat(df_list)

# Delete the dataframe list to release memory
del df_list
del df_chunk

この質問に到達した人のために。「chunksize」と「usecols」でパンダを使用すると、他の提案されたオプションよりも高速に巨大なzipファイルを読み取ることができました。

import pandas as pd

sample_cols_to_keep =['col_1', 'col_2', 'col_3', 'col_4','col_5']

# First setup dataframe iterator, ‘usecols’ parameter filters the columns, and 'chunksize' sets the number of rows per chunk in the csv. (you can change these parameters as you wish)
df_iter = pd.read_csv('../data/huge_csv_file.csv.gz', compression='gzip', chunksize=20000, usecols=sample_cols_to_keep) 

# this list will store the filtered dataframes for later concatenation 
df_lst = [] 

# Iterate over the file based on the criteria and append to the list
for df_ in df_iter: 
        tmp_df = (df_.rename(columns={col: col.lower() for col in df_.columns}) # filter eg. rows where 'col_1' value grater than one
                                  .pipe(lambda x:  x[x.col_1 > 0] ))
        df_lst += [tmp_df.copy()] 

# And finally combine filtered df_lst into the final lareger output say 'df_final' dataframe 
df_final = pd.concat(df_lst)

Python3の別のソリューションを次に示します。

import csv
with open(filename, "r") as csvfile:
    datareader = csv.reader(csvfile)
    count = 0
    for row in datareader:
        if row[3] in ("column header", criterion):
            doSomething(row)
            count += 1
        elif count > 2:
            break

これdatareaderはジェネレータ関数です。

パンダを使用していて、RAMがたくさんある場合（ファイル全体をメモリに読み込むのに十分なほど）、で使用pd.read_csvしてみてくださいlow_memory=False。例：

import pandas as pd
data = pd.read_csv('file.csv', low_memory=False)