Lendo um arquivo .csv enorme

Atualmente, estou tentando ler dados de arquivos .csv no Python 2.7 com até 1 milhão de linhas e 200 colunas (os arquivos variam de 100 MB a 1,6 GB). Posso fazer isso (muito lentamente) para os arquivos com menos de 300.000 linhas, mas quando vou além disso, recebo erros de memória. Meu código é parecido com este:

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

O motivo da cláusula else na função getstuff é que todos os elementos que se enquadram no critério serão listados juntos no arquivo csv, portanto, deixo o loop quando passar por eles para economizar tempo.

Minhas perguntas são:

1. Como posso fazer isso funcionar com os arquivos maiores?

2. Existe alguma maneira de tornar isso mais rápido?

Meu computador tem 8 GB de RAM, executando o Windows 7 de 64 bits, e o processador tem 3,40 GHz (não tenho certeza de quais informações você precisa).

Você está lendo todas as linhas em uma lista e, em seguida, processando essa lista. Não faça isso .

Processe suas linhas conforme você as produz. Se você precisar filtrar os dados primeiro, use uma função geradora:

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

Também simplifiquei seu teste de filtro; a lógica é a mesma, mas mais concisa.

Como você está correspondendo apenas a uma única sequência de linhas que correspondem ao critério, você também pode usar:

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

Agora você pode fazer um loop getstuff()diretamente. Faça o mesmo em getdata():

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

Agora faça um loop diretamente getdata()em seu código:

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

Você agora mantém apenas uma linha na memória, em vez de seus milhares de linhas por critério.

yieldtorna uma função uma função geradora , o que significa que ela não fará nenhum trabalho até que você comece a fazer um loop sobre ela.

Embora a resposta de Martijin seja provavelmente a melhor. Esta é uma maneira mais intuitiva de processar arquivos csv grandes para iniciantes. Isso permite que você processe grupos de linhas, ou pedaços, de uma vez.

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

Eu faço uma boa análise de vibração e vejo grandes conjuntos de dados (dezenas e centenas de milhões de pontos). Meus testes mostraram que a função pandas.read_csv () é 20 vezes mais rápida do que numpy.genfromtxt (). E a função genfromtxt () é 3 vezes mais rápida do que numpy.loadtxt (). Parece que você precisa de pandas para grandes conjuntos de dados.

Publiquei o código e os conjuntos de dados que usei neste teste em um blog discutindo MATLAB vs Python para análise de vibração .

o que funcionou para mim foi e é super rápido é

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)

Outra solução de trabalho é:

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

Para quem chega a esta questão. Usar pandas com ' chunksize ' e ' usecols ' me ajudou a ler um arquivo zip enorme mais rápido do que as outras opções propostas.

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)

aqui está outra solução para Python3:

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

aqui datareaderestá uma função geradora.

Se você estiver usando o pandas e tiver muita memória RAM (o suficiente para ler todo o arquivo na memória), tente usar pd.read_csvcom low_memory=False, por exemplo:

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