Python&;熊猫。如何使用“的子集”;“块”;在TextFileReader对象中?
我需要导入一个大的Python&;熊猫。如何使用“的子集”;“块”;在TextFileReader对象中?,python,pandas,import,chunks,Python,Pandas,Import,Chunks,我需要导入一个大的.txt文件(大约10GB)来进行一些计算。我在Python2.7中使用Pandas 基本上,我需要构造某些系列(列)的总和和平均值,以其他系列的值为条件。更准确地说:我有生活在一个国家的个人的基本信息,例如,我想计算每个城市居民的平均年龄 我无法导入整个文件(因为它太大),所以我是“分块”导入的(使用read\u table,chunksize)。 对于每个计算,我不需要所有的块,只需要它们的一个子集 由于信息可能没有排序,我首先遍历所有块,以确定其中哪些块包含每个市镇的信息
.txt
文件(大约10GB)来进行一些计算。我在Python2.7中使用Pandas
基本上,我需要构造某些系列(列)的总和和平均值,以其他系列的值为条件。更准确地说:我有生活在一个国家的个人的基本信息,例如,我想计算每个城市居民的平均年龄
我无法导入整个文件(因为它太大),所以我是“分块”导入的(使用read\u table
,chunksize
)。
对于每个计算,我不需要所有的块,只需要它们的一个子集
由于信息可能没有排序,我首先遍历所有块,以确定其中哪些块包含每个市镇的信息。所以,对于每个城市,我都有一个包含至少一个属于它的观测值的块索引的列表
然后我想用这个列表只选择那些块,但我不能快速地完成。
唯一有效的方法是再次迭代所有块
有没有一种方法可以直接选择
TextFileReader
对象中“chunk”的一个子集,而不必遍历所有对象?我会尝试这样做:
res = \
pd.concat([df.assign(age=(pd.datetime.now() - df.dob).astype('m8[Y]').astype(int))
.groupby(['country','municipality'])['age'].agg(['size','sum']).reset_index()
for df in pd.read_csv('/path/to/file.txt', sep=..., chunksize=10**5) ],
ignore_index=True)
res = res.groupby(['country','municipality'], as_index=False).sum()
这将为您提供每个城市的总人数(size
column)及其年龄总和(sum
column)
sum/size
-将给出每个城市的平均年龄
更新:您可以使用以下技巧来计算动态年龄:
In [164]: df
Out[164]:
country municipality dob
0 Ukraine m1 1950-01-01
1 Ukraine m1 1960-12-14
2 USA m2 1971-11-27
3 USA m2 1982-11-09
4 USA m3 1993-10-22
5 Germany m1 2004-10-04
6 Germany m2 2015-09-17
In [165]: df.assign(age=(pd.datetime.now() - df.dob).astype('m8[Y]').astype(int))
Out[165]:
country municipality dob age
0 Ukraine m1 1950-01-01 67
1 Ukraine m1 1960-12-14 56
2 USA m2 1971-11-27 45
3 USA m2 1982-11-09 34
4 USA m3 1993-10-22 23
5 Germany m1 2004-10-04 12
6 Germany m2 2015-09-17 1
UPDATE2:pd.read\u csv()
在指定chunksize
后,立即返回pandas.io.parsers.TextFileReader
而不是DataFrame
:
In [6]: reader = pd.read_csv(r'D:\temp\.data\1.csv', chunksize=3, sep='\s+')
In [7]: type(reader)
Out[7]: pandas.io.parsers.TextFileReader
得到2行
In [12]: reader.get_chunk(2)
Out[12]:
foo foo.1 bar bar.1 spam spam.1
foo 0.00 0.35 0.83 0.84 0.90 0.89
foo 0.35 0.00 0.86 0.85 0.92 0.91
下三排
In [13]: reader.get_chunk(3)
Out[13]:
foo foo.1 bar bar.1 spam spam.1
bar 0.83 0.86 0.00 0.25 0.88 0.87
bar 0.84 0.85 0.25 0.00 0.82 0.86
spam 0.90 0.92 0.88 0.82 0.00 0.50
您可以使用:
for df1 in pd.read_csv('______.csv',chunksize=5):
print(df1)
df
非常感谢@MaxU的回答。我相信这对我在问题中给出的具体例子是有效的。然而,在某些情况下,我必须在进行计算之前处理数据,我想知道是否有可能避免每次对所有块进行迭代。特别是,如果没有['age']列,而是有['date\u of_birth']列,您将如何修改代码?再次感谢!谢谢@MaxU。我仍然不知道是否可以“选择”某些块,但您的解决方案很好,并且不需要这样做。如果您碰巧知道,我想知道如何使用
TextFileReader
对象,因为我显然不知道它到底是什么以及它是如何工作的。