在python中按列的值拆分大csv文件

我有一个csv大文件，无法用python在内存中处理。在按照特定列的值进行分组后，我使用以下逻辑将其拆分为多个块：

def splitDataFile(self, data_file):

    self.list_of_chunk_names = []
    csv_reader = csv.reader(open(data_file, "rb"), delimiter="|")
    columns = csv_reader.next()

    for key,rows in groupby(csv_reader, lambda row: (row[1])):
        file_name = "data_chunk"+str(key)+".csv"
        self.list_of_chunk_names.append(file_name)

        with open(file_name, "w") as output:
            output.write("|".join(columns)+"\n")
            for row in rows:
                output.write("|".join(row)+"\n")

    print "message: list of chunks ", self.list_of_chunk_names

    return

逻辑在起作用，但速度很慢。我想知道如何优化这个？比如说熊猫

编辑

---

进一步解释：我不想简单地拆分为相同大小的块（比如每个块有1000行），我想按列的值拆分，这就是我使用groupby的原因

通过使用pandas的内置分块功能（从

chunksize

关键字arg到

read\u csv

），您可能会获得最佳性能

比如说,

reader = pd.read_table('my_data.csv', chunksize=4)
for chunk in reader:
  print(chunk)

编辑：

这可能会让你有所收获

import pandas as pd

group_col_indx = 1
group_col = pd.read_csv('test.csv', usecols=[group_col_indx])
keys = group_col.iloc[:,0].unique()

for key in keys:
    df_list = []
    reader = pd.read_csv('test.csv', chunksize=2)
    for chunk in reader:
        good_rows = chunk[chunk.iloc[:,group_col_indx] == key]
        df_list.append(good_rows)
    df_key = pd.concat(df_list)

使用此程序：

将其另存为

split csv.py

，并从资源管理器或命令运行它 线路

例如，根据第1列拆分

superuser.csv

，并写入

dstdir下的输出文件使用：

 python split-csv.py data.csv 1 dstdir

如果您在没有参数的情况下运行它，基于Tkinter的GUI将提示您
要选择输入文件，请选择列（基于1的索引）和
目标目录

我怀疑最大的瓶颈是每次处理新行块时打开和关闭文件句柄。一个更好的方法是，只要您写入的文件数量不太多，就保持所有文件都处于打开状态。这里有一个提纲：

def splitDataFile(self, data_file):
    open_files = dict()
    input_file = open(data_file, "rb")
    try:
        ...
        csv_reader = csv.reader(input_file, ...)
        ...
        for key, rows in groupby(csv_reader, lambda row: (row[1])):
            ...
            try:
                output = open_files[key]
            except KeyError:
                output = open(file_name, "w")
            output.write(...)
            ...
    finally:
        for open_file in open_files.itervalues():
            open_file.close()
        input_file.close()

当然，如果您只有一个组具有任何给定的密钥，这将没有帮助。（事实上，这可能会让事情变得更糟，因为你最终会不必要地打开一堆文件。）你越是频繁地向一个文件写入，你就越能从这一改变中获益

如果需要，您可以将其与pandas结合使用，并使用
read\u csv
或
read\u table
的分块功能来处理输入处理。
我将使用以下类似的方法，迭代要拆分的列的唯一值，以过滤数据分块

def splitWithPandas(data_file, split_by_column):
        values_to_split_by = pd.read_csv(data_file, delimiter="|", usecols=[split_by_column])
        values_to_split_by.drop_duplicates()
        values_to_split_by = pd.unique(values_to_split_by.values.ravel())

        for i in values_to_split_by:
            iter_csv = pd.read_csv(data_file, delimiter="|", chunksize=100000)
            df = pd.concat([chunk[chunk[split_by_column] == i] for chunk in iter_csv])
            df.to_csv("data_chunk_"+i, sep="|", index=False)

谢谢你的反馈。我不是在寻找简单的相同行数的分块。我正在寻找csv文件中给定列的值进行拆分。您可以对要分组的每个列值的块进行循环。是否可以在内存中设置要按其分组的单个列（这将允许您发现列中的唯一值）？是的，我可以在内存中设置要按其分组的单个列的大小。
def splitWithPandas(data_file, split_by_column):
        values_to_split_by = pd.read_csv(data_file, delimiter="|", usecols=[split_by_column])
        values_to_split_by.drop_duplicates()
        values_to_split_by = pd.unique(values_to_split_by.values.ravel())

        for i in values_to_split_by:
            iter_csv = pd.read_csv(data_file, delimiter="|", chunksize=100000)
            df = pd.concat([chunk[chunk[split_by_column] == i] for chunk in iter_csv])
            df.to_csv("data_chunk_"+i, sep="|", index=False)