将多个 csv 文件连接成具有相同标题的单个 csv - Python

Question

我目前正在使用以下代码导入 6,000 个 csv 文件（带有标题）并将它们导出到单个 csv 文件（带有单个标题行）。

#import csv files from folder
path =r'data/US/market/merged_data'
allFiles = glob.glob(path + "/*.csv")
stockstats_data = pd.DataFrame()
list_ = []

for file_ in allFiles:
    df = pd.read_csv(file_,index_col=None,)
    list_.append(df)
    stockstats_data = pd.concat(list_)
    print(file_ + " has been imported.")

这段代码运行良好，但速度很慢。最多可能需要 2 天的时间来处理。

我得到了一个终端命令行的单行脚本，它执行相同的操作（但没有标题）。此脚本需要 20 秒。

 for f in *.csv; do cat "`pwd`/$f" | tail -n +2 >> merged.csv; done 

有人知道如何加快第一个 Python 脚本的速度吗？为了缩短时间，我考虑过不将其导入 DataFrame 而只是连接 CSV，但我无法弄清楚。

谢谢。

Answer 1

如果您不需要内存中的 CSV，只需从输入复制到输出，那么完全避免解析会便宜很多，并且复制时不会在内存中建立：

import shutil
import glob


#import csv files from folder
path = r'data/US/market/merged_data'
allFiles = glob.glob(path + "/*.csv")
allFiles.sort()  # glob lacks reliable ordering, so impose your own if output order matters
with open('someoutputfile.csv', 'wb') as outfile:
    for i, fname in enumerate(allFiles):
        with open(fname, 'rb') as infile:
            if i != 0:
                infile.readline()  # Throw away header on all but first file
            # Block copy rest of file from input to output without parsing
            shutil.copyfileobj(infile, outfile)
            print(fname + " has been imported.")

就是这样； shutil.copyfileobj 有效地处理数据复制，大大减少了 Python 级别的解析和重新序列化工作。

这假设所有 CSV 文件都具有相同的格式、编码、行尾等，并且标题不包含嵌入的换行符，但如果是这种情况，它会比替代方案快得多。

Answer 2

这是一种更简单的方法 - 您可以使用 pandas（虽然我不确定它对 RAM 的使用有什么帮助）-

import pandas as pd
import glob

path =r'data/US/market/merged_data'
allFiles = glob.glob(path + "/*.csv")
stockstats_data = pd.DataFrame()
list_ = []

for file_ in allFiles:
    df = pd.read_csv(file_)
    stockstats_data = pd.concat((df, stockstats_data), axis=0)

Answer 3

您不需要 pandas，只需简单的 csv 模块即可。

import csv

df_out_filename = 'df_out.csv'
write_headers = True
with open(df_out_filename, 'wb') as fout:
    writer = csv.writer(fout)
    for filename in allFiles:
        with open(filename) as fin:
            reader = csv.reader(fin)
            headers = reader.next()
            if write_headers:
                write_headers = False  # Only write headers once.
                writer.writerow(headers)
            writer.writerows(reader)  # Write all remaining rows.

Answer 4

您是否需要在 Python 中执行此操作？如果您愿意完全在 shell 中执行此操作，您需要做的就是首先将随机选择的输入 .csv 文件中的标题行 cat 放入 merged.csv，然后再运行您的单行：

cat a-randomly-selected-csv-file.csv | head -n1 > merged.csv
for f in *.csv; do cat "`pwd`/$f" | tail -n +2 >> merged.csv; done