Python 在分块之前,如何知道csv文件中的分块量(或行数)?
我正在尝试使用5.000.000的chunksize处理一个带有pandas的10GB+csv文件。从一个块到另一个块处理数据需要一些时间,但我不知道我在文件的哪个部分。在开始循环之前,我如何知道csv拥有的块数(或行数)?对于选择块大小有什么经验法则吗 我使用的循环是这样的:Python 在分块之前,如何知道csv文件中的分块量(或行数)?,python,pandas,dataframe,chunking,Python,Pandas,Dataframe,Chunking,我正在尝试使用5.000.000的chunksize处理一个带有pandas的10GB+csv文件。从一个块到另一个块处理数据需要一些时间,但我不知道我在文件的哪个部分。在开始循环之前,我如何知道csv拥有的块数(或行数)?对于选择块大小有什么经验法则吗 我使用的循环是这样的: chunk = 5_000_000 data = pd.read_csv(path,chunksize=chunk) for i in data: do_some_stuff() 一些想法 在读取文件之前
chunk = 5_000_000
data = pd.read_csv(path,chunksize=chunk)
for i in data:
do_some_stuff()
一些想法
- 在读取文件之前/不读取文件时估计行数
- 估计数据帧块的可用内存
- 使用循环中的信息
import os
import sys
full_size = os.path.getsize('test.csv') # get size of file
with open('test.csv','rb') as f:
next(f) # skip header
line_size = len(f.readline()) # get size of one line, assuming 1 byte encoding
linecount = full_size // line_size + 1 # ~count of lines
import psutil
chunksize = (
psutil.virtual_memory().available
// (pd.read_csv('test.csv', nrows=1).memory_usage(deep=True).sum()
* 4)) # leave memory for computations, here: 1/4 of available memory for the dataframe
chunks = linecount // chunksize
c = pd.read_csv('test.csv', chunksize=chunksize)
for i,df in enumerate(c):
print(f'working on chunk {i+1} of {chunks}') # print or log
df_sum = df.sum().sum() # do stuff ...
print(f'sum in df in chunk {i}: {df_sum}') # print or log