Pandas技巧-如何读取大文件

本文中记录的是如何利用pandas来读取大文件，4个技巧：

  • 如何利用read_csv函数读取没有表头的文件
  • get_chunk()方法来分块读取数据
  • concat()方法将数据库进行叠加（垂直方向）
  • 若数据量过大，采取随机抽放（是否放回）

Pandas技巧-如何读取大文件_Pandas

<!--MORE-->

filepath = open("taobao.csv",errors="ignore")  # 指定文件路径
reader = pd.read_csv(filepath, 
                     header=None, 
                     names=["user_id","item_id","cat_id","type","time"],  # 指定列属性名称
                     iterator=True)

# loop,chunkSize,chunks = True, 10000000, []  # 连续赋值语句
loop = True
chunkSize = 10000000
chunks = []

while loop:  # loop一直为True，执行循环
    try:
        chunk = reader.get_chunk(chunkSize)
        chunks.append(chunk)
    except StopIteration:
        loop = False
        print("Iteration is stopped.")
        
# 如果考虑数据量过大，只抽取部分的数据来进行分析，采取不放回抽样的方式
# pd.concat(chunks, ignore_index=True).sample(frac=0.05, replace=False)  不放回抽样、记录不重复

df = pd.concat(chunks, ignore_index=True)