读取大型 csv 文件、python、pandas 的随机行答案

【问题标题】：Reading random rows of a large csv file, python, pandas读取大型 csv 文件、python、pandas 的随机行
【发布时间】：2016-11-09 01:52:55
【问题描述】：

您能帮帮我吗，我遇到了在 Windows（8 Gb RAM）上使用 0.18.1 pandas 和 2.7.10 Python 从大型 csv 文件中读取随机行的问题。

在Read a small random sample from a big CSV file into a Python data frame 我看到了一种方法，但是，我的 PC 非常消耗内存，即部分代码：

n = 100
s = 10
skip = sorted(rnd.sample(xrange(1, n), n-s))# skip n-s random rows from *.csv       
data = pd.read_csv(path, usecols = ['Col1', 'Col2'], 
                   dtype  = {'Col1': 'int32', 'Col2':'int32'}, skiprows = skip)

所以，如果我想从文件中取出一些随机行，不仅考虑 100 行，而且考虑 100 000 行，这变得很难，但是从文件中不取出随机行几乎没问题：

skiprows = xrange(100000)    
data = pd.read_csv(path, usecols = ['Col1', 'Col2'], 
                   dtype  = {'Col1': 'int32', 'Col2':'int32'}, skiprows = skip, nrows = 10000)

所以问题是我如何处理使用熊猫从大型 csv 文件中读取大量随机行，即因为我无法读取整个 csv 文件，即使对它进行分块，我对随机行完全感兴趣. 谢谢

【问题讨论】：

我认为关于这个问题的大部分讨论都是相关的。简而言之，没有一个不是内存密集型的好解决方案。 stackoverflow.com/questions/38039723/…
skiprows 使用大量内存，请尝试与块一起使用：stackoverflow.com/questions/36874993/…
如果您访问这些链接之一并发现它们有用，请尽可能为它们投票。您需要 15 声望才能投票。你现在有 6 个。

标签： python pandas csv large-data

【解决方案1】：

如果内存是最大的问题，一个可能的解决方案可能是使用块，并从块中随机选择

n = 100
s = 10
factor = 1    # should be integer
chunksize = int(s/factor)

reader = pd.read_csv(path, usecols = ['Col1', 'Col2'],dtype  = {'Col1': 'int32', 'Col2':'int32'}, chunksize=chunksize)

out = []
tot = 0
for df in reader:
    nsample = random.randint(factor,chunksize)
    tot += nsample
    if  tot > s:
        nsample = s - (tot - nsample)
    out.append(df.sample(nsample))
    if tot >= s:
        break

data = pd.concat(out)

您可以使用 factor 来控制块的大小。

【讨论】：

一个问题是这种方法并不是真正随机的，因为您强制从每个块中进行选择。例如，有可能，尽管不可能，随机选择 n 个项目是前 n 个项目，而分块方法不承认这种可能性。但是，您也可以争辩说，这种方法对于大多数需要随机选择的情况来说已经足够了。
没错。我编辑了答案以考虑到这一点，其中每个块的样本数量是随机的。但是，仍然需要注意的是，每个块至少需要“因子”样本，才能在到达文件末尾之前获得所需数量的样本。要真正随机，需要考虑多次循环文件的可能性。
谢谢，是的，确实，我相信这也是出路：随机选择块并从中随机选择行，并以迭代的方式进行此操作。它看起来比 skiprows 选项需要更少的内存。

【解决方案2】：

我认为这比此处显示的其他方法更快，可能值得一试。

假设，我们已经在列表skipped 中选择了要跳过的行。首先，我将其转换为查找布尔表。

# Some preparation:
skipped = np.asarray(skipped)
# MAX >= number of rows in the file
bool_skipped = np.zeros(shape(MAX,), dtype=bool)
bool_skipped[skipped] = True

主要内容：

from io import StringIO
# in Python 2 use
# from StringIO import StringIO

def load_with_buffer(filename, bool_skipped, **kwargs):
    s_buf = StringIO()
    with open(filename) as file:
        count = -1
        for line in file:
            count += 1
            if bool_skipped[count]:
                continue
            s_buf.write(line)
    s_buf.seek(0)
    df = pd.read_csv(s_buf, **kwargs)
    return df

我测试如下：

df = pd.DataFrame(np.random.rand(100000, 100))
df.to_csv('test.csv')

df1 = load_with_buffer('test.csv', bool_skipped, index_col=0)

跳过了 90% 的行。它的性能与

相当

pd.read_csv('test.csv', skiprows=skipped, index_col=0)

并且比使用 dask 或分块读取快大约 3-4 倍。

【讨论】：