Python 从无法放入内存的大数据帧中删除索引

我有一个有5000万条记录的文件，我有一个需要从文件中删除的索引列表。如果我想使用pandas dataframe读取文件，我可能会遇到内存问题（如果内存有限）。假设我这样做：

df = pd.read_csv('input_file')
df = df.drop(df.index[example_ix_list])
df.to_csv('input_file', index=False)

我可能会遇到内存问题：

  File "/home/ec2-user/CloudMatcher/cloudmatcher/core/execution/user_interaction.py", line 768, in process
    new_unlabel_df = unlabel_df.drop(unlabel_df.index[list_ix])
  File "/home/ec2-user/anaconda2/envs/cloudmatch/lib/python2.7/site-packages/pandas/core/generic.py", line 2162, in drop
    dropped = self.reindex(**{axis_name: new_axis})
  File "/home/ec2-user/anaconda2/envs/cloudmatch/lib/python2.7/site-packages/pandas/core/frame.py", line 2733, in reindex
    **kwargs)
  File "/home/ec2-user/anaconda2/envs/cloudmatch/lib/python2.7/site-packages/pandas/core/generic.py", line 2515, in reindex
    fill_value, copy).__finalize__(self)
  File "/home/ec2-user/anaconda2/envs/cloudmatch/lib/python2.7/site-packages/pandas/core/frame.py", line 2679, in _reindex_axes
    fill_value, limit, tolerance)
  File "/home/ec2-user/anaconda2/envs/cloudmatch/lib/python2.7/site-packages/pandas/core/frame.py", line 2690, in _reindex_index
    allow_dups=False)
  File "/home/ec2-user/anaconda2/envs/cloudmatch/lib/python2.7/site-packages/pandas/core/generic.py", line 2627, in _reindex_with_indexers
    copy=copy)
  File "/home/ec2-user/anaconda2/envs/cloudmatch/lib/python2.7/site-packages/pandas/core/internals.py", line 3897, in reindex_indexer
    for blk in self.blocks]
  File "/home/ec2-user/anaconda2/envs/cloudmatch/lib/python2.7/site-packages/pandas/core/internals.py", line 1046, in take_nd
    allow_fill=True, fill_value=fill_value)
  File "/home/ec2-user/anaconda2/envs/cloudmatch/lib/python2.7/site-packages/pandas/core/algorithms.py", line 1467, in take_nd
    out = np.empty(out_shape, dtype=dtype)
MemoryError

问：我可以使用pandas dataframe将文件分块读取，并使用列表删除索引吗？如果是这样，怎么办？或者有更好的方法让我错过了

非常感谢

试试这个：

pd.read_csv('input_file', skiprows=example_ix_list).to_csv('input_file', index=False)

如果仍然获得MemoryError，则可以使用

chunksize

参数：

example_ix_list = pd.Index(example_ix_list)

for df in pd.read_csv('input_file', chunksize=10**5):
    df.loc[df.index.difference(example_ix_list)] \
      .to_csv('new_file_name', index=False, header=None, mode='a')

---

您可以将chunk_size参数传递给read_table（）或read_csv（）命令：

pd.read_csv('fname.csv', sep=',', chunksize=4)

---

有关更多信息，请参阅。你检查过了吗？

如果我运行第二部分，就会出现此错误。索引器错误：当我以chunksize=10**6运行并且文件有13762668条记录时，索引10006311超出了大小为1000000的轴1的界限。我有什么遗漏吗？谢谢它起作用了。虽然当我计时的时候，它是非常昂贵的。也许是因为不同，但它肯定是有帮助的和工作！太好了。@yguw，您可能想尝试

np.setdiff1d（df.index.values，example_ix_ulist.values）

而不是

df.index.difference（example_ix_ulist）

-这可能会稍微快一点。。。