我有一個 1400 萬行的 CSV 文件，其中有一個日期列（不是第一列），我想用它來過濾和拆分數據。目前，我正在將其加載到 Pandas 數據框中來執行此操作：df = pd.read_csv(filepath, dtype=str) for date in df['dates'].unique(): subset = df[df['dates'] == date] subset.to_csv(date + dest_path)有沒有更快的方法來做到這一點？在加載到 Pandas 數據幀之前從 CSV 中過濾掉行提供了一個有趣的解決方案，但不幸的是我要拆分的列不在第一列中。編輯：我純粹需要將 csv 文件拆分為每個日期。生成的 csv 文件將傳遞給另一個團隊。我需要所有的列，我不想更改任何數據，我不需要做任何 groupby。
1 回答
繁星coding
TA貢獻1797條經驗 獲得超4個贊
主要問題是將整個數據集讀入內存。通常，對于一個非常大的文件，我需要逐行讀取文件，因為它不適合內存。因此，我拆分了文件，然后才能處理各個部分（使用 Python/pandas、R 或 Stata，它們都將整個數據集加載到內存中）。
要拆分文件，我會從頭開始編寫一個 CSV 閱讀器。如果您不必處理帶引號的字符串中的分隔符，那就不太難了（否則使用regex并不會更難）。使用內置csv模塊可能用更少的代碼（我承認我從未使用過它）。
下面根據變量的值拆分文件。也可以調整代碼以固定行數拆分，過濾，添加或刪除變量......
import sys
def main(arg):
if len(arg) != 3:
print("csvsplit infile outfile variable")
return
input_name = arg[0]
output_name = arg[1]
split_var = arg[2]
sep = ","
outfiles = {}
with open(input_name) as f:
var = f.readline().rstrip("\r\n").split(sep)
ivar = {name: i for i, name in enumerate(var)}
ikey = ivar[split_var]
for line in f:
v = line.rstrip("\r\n").split(sep)
key = v[ikey]
if key not in outfiles:
outfiles[key] = open("%s_%s.csv" % (output_name, key), "wt")
outfiles[key].write(sep.join(var) + "\n")
outfiles[key].write(line)
for key, outfile in outfiles.items():
outfile.close()
main(sys.argv[1:])
添加回答
舉報
0/150
提交
取消