pandas处理较大数据量级的方法 - chunk,hdf,pkl

痛定思痛。 2021-12-22 03:15 322阅读 0赞

前情提要:

工作原因需要处理一批约30G左右的CSV数据，数据量级不需要hadoop的使用，同时由于办公的本本内存较低的缘故，需要解读取数据时内存不足的原因。

操作流程：

方法与方式:首先是读取数据，常见的csv格式读取时一次性全部读取进来， 面对数据量较大(本次3亿条实车数据)时，需要 **分批** 并且有 **选择性** 的读取后 提取有效信息 删除冗余信息并清理内存。

同时，为了使处理数据时效率更高，将整理好的数据实时读取进来以后，**保存成快速且可读的数据形式另行存储**。然后**释放内存**并读取下一批数据直到整个流程结束

下面是操作代码:

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

#import pickle # pkl存储与 hdf5存储
    import pandas as pd
    # 释放内存
    import gc
    reader = pd.read_csv(r'E:\VEH_GBK_2019-01-01.csv', encoding='gbk',iterator=True,low_memory=False,usecols=[0,1,2,4])
    title_mc=['location','vid','上报时间','充电状态']
    
    loop = True
    chunkSize = 1000000
    ans_vid={}
    location_list=['上海','重庆','广东','北京']
    for i in location_list:
        ans_vid[i]=[]
    
    
    while loop:
        try:
            chunk = reader.get_chunk(chunkSize)
            chunk.columns=title_mc;
            chunk['充电状态']=chunk['充电状态'].astype(str)
            chunk['location']=chunk['location'].astype(str)
            for i in location_list:
                temp=chunk[chunk['location'].str.contains(i)]
                if temp[(temp['充电状态']=='1.0') | (temp['充电状态']=='4.0')].empty==False:
                    ans_vid[i].append(temp[(temp['充电状态']=='1.0') | (temp['充电状态']=='4.0')])
                    del temp
                    gc.collect()
                
            del chunk
            gc.collect()
            
        except StopIteration:
            loop = False
            print ("Iteration is stopped.")
    
    for i in location_list:
        ans_vid[i]=pd.concat(ans_vid[i])
        
    location_list=['shanghai','chongqing','guangdong','beijing']
        
    for i in location_list:
        ans_vid[i].to_hdf(i+'_charging.h5',key=ans_vid[i],encoding='gbk')

gc.collect()放在del 参数的后面用以及时释放内存。

读取的核心代码是:

reader = pd.read_csv(r'E:\VEH_GBK_2019-01-01.csv', encoding='gbk',iterator=True,low_memory=False,usecols=[0,1,2,4]) # usecols是读取原数据的某几列  chunkSize是分批读取的量级
    
    chunk = reader.get_chunk(chunkSize)

本次读取的存储格式采用的是h5格式即hdf，该种格式易于读取较大数据量级，同时也有一些数据格式可以保存较大的数据量级: pkl ,npy等

推荐h5（保存dataframe）与pkl（保存字典格式），其读取速度更快.易于使用

h5格式调用pandas内置对dataframe的保存即可: 例 df是一个需要保存的较大的dataframe。代码为

df.to_hdf('123.h5',encoding='gbk'，key='df')

pkl 保存需要先导入pickle ，所需保存的字典为ans\_vid， 代码如下

# 导出
    output = open('usage_top2veh.pkl', 'wb')        
    pickle.dump(ans_vid, output)
    output.close()
    # 导入
    pkl_file = open('usage_top2veh.pkl', 'rb')
    data2 = pickle.load(pkl_file)
    pkl_file.close()

转载于:https://www.cnblogs.com/techs-wenzhe/p/10937903.html

[ContractedBlock.gif]: https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif
[ExpandedBlockStart.gif]: /images/20211220/ab284d477d234c69b4fed50a7e1fc1e3.png