如何读取大文本文件避免逐行读取 :: Python

Question

我有一个大数据文件 (N,4)，我正在逐行映射。我的文件是 10 GB，下面给出了一个简单的实现。尽管以下工作有效，但需要大量时间。

我想实现这个逻辑，以便直接读取文本文件并且我可以访问元素。此后，我需要根据第 2 列元素对整个（映射的）文件进行排序。

我在网上看到的示例假设数据量较小 (d) 并使用 f[:] = d[:]，但我不能这样做，因为 d 在我的情况下很大并且会占用我的 RAM。

PS：我知道如何使用np.loadtxt 加载文件并使用argsort 对其进行排序，但是对于 GB 文件大小，该逻辑失败（内存错误）。任何方向都将不胜感激。

nrows, ncols = 20000000, 4  # nrows is really larger than this no. this is just for illustration
f = np.memmap('memmapped.dat', dtype=np.float32,
              mode='w+', shape=(nrows, ncols))

filename = "my_file.txt"

with open(filename) as file:

    for i, line in enumerate(file):
        floats = [float(x) for x in line.split(',')]
        f[i, :] = floats
del f

Answer 1

编辑：与其自己动手分块，不如使用 pandas 的分块功能，这比 numpy 的 load_txt 快得多。

import numpy as np
import pandas as pd

## create csv file for testing
np.random.seed(1)
nrows, ncols = 100000, 4
data = np.random.uniform(size=(nrows, ncols))
np.savetxt('bigdata.csv', data, delimiter=',')

## read it back
chunk_rows = 12345
# Replace np.empty by np.memmap array for large datasets.
odata = np.empty((nrows, ncols), dtype=np.float32)
oindex = 0
chunks = pd.read_csv('bigdata.csv', chunksize=chunk_rows, 
                     names=['a', 'b', 'c', 'd'])
for chunk in chunks:
    m, _ = chunk.shape
    odata[oindex:oindex+m, :] = chunk
    oindex += m

# check that it worked correctly.
assert np.allclose(data, odata, atol=1e-7)

分块模式下的pd.read_csv函数返回一个可以在循环中使用的特殊对象，例如for chunk in chunks:；在每次迭代中，它将读取文件的一部分并将其内容作为 pandas DataFrame 返回，在这种情况下可以将其视为 numpy 数组。需要names参数，防止它把csv文件的第一行当作列名。

下面的旧答案

numpy.loadtxt 函数使用文件名或将在构造中的循环中返回行的内容，例如：

for line in f: 
   do_something()

它甚至不需要伪装成一个文件；一个字符串列表就可以了！

我们可以读取小到足以放入内存的文件块，并将成批的行提供给np.loadtxt。

def get_file_lines(fname, seek, maxlen):
    """Read lines from a section of a file.
    
    Parameters:
        
    - fname: filename
    - seek: start position in the file
    - maxlen: maximum length (bytes) to read
    
    Return:
        
    - lines: list of lines (only entire lines).
    - seek_end: seek position at end of this chunk.
    
    Reference: https://stackoverflow.com/a/63043614/6228891
    Copying: any of CC-BY-SA, CC-BY, GPL, BSD, LPGL
    Author: Han-Kwang Nienhuys
    """
    f = open(fname, 'rb') # binary for Windows \r\n line endings
    f.seek(seek)
    buf = f.read(maxlen)
    n = len(buf)
    if n == 0:
        return [], seek
    
    # find a newline near the end
    for i in range(min(10000, n)):
        if buf[-i] == 0x0a:
            # newline
            buflen = n - i + 1
            lines = buf[:buflen].decode('utf-8').split('\n')
            seek_end = seek + buflen
            return lines, seek_end
    else:
        raise ValueError('Could not find end of line')

import numpy as np

## create csv file for testing
np.random.seed(1)
nrows, ncols = 10000, 4

data = np.random.uniform(size=(nrows, ncols))
np.savetxt('bigdata.csv', data, delimiter=',')

# read it back        
fpos = 0
chunksize = 456 # Small value for testing; make this big (megabytes).

# we will store the data here. Replace by memmap array if necessary.
odata = np.empty((nrows, ncols), dtype=np.float32)
oindex = 0

while True:
    lines, fpos = get_file_lines('bigdata.csv', fpos, chunksize)
    if not lines:
        # end of file
        break
    rdata = np.loadtxt(lines, delimiter=',')
    m, _ = rdata.shape
    odata[oindex:oindex+m, :] = rdata
    oindex += m
    
assert np.allclose(data, odata, atol=1e-7)

免责声明：我在 Linux 中对此进行了测试。我希望这可以在 Windows 中工作，但可能是处理 '\r' 字符会导致问题。

Answer 2

我知道这不可能是一个答案，但是您是否考虑过使用二进制文件？当文件非常大时，以 ascii 保存是非常低效的。如果可以，请改用 np.save 和 np.load。