web-dev-qa-db-ja.com

pandasの大規模で永続的なDataFrame

私はpythonおよびpandas= as as long-time SAS user。

しかし、今日いくつかのテストを実行しているとき、128MBのCSVファイルをpandas.read_csv()しようとするとpythonメモリ不足になりました。主に数値データ。

SASを使用すると、csvファイルをSASデータセットにインポートでき、ハードドライブと同じ大きさにすることができます。

pandasに類似したものはありますか？

私は定期的に大きなファイルを扱っており、分散コンピューティングネットワークにアクセスできません。

pythonpandassas
88
Zelazny7

原則として、メモリ不足になるべきではありませんが、現在、複雑なPython内部問題（これはあいまいですが、それは知られています）によって引き起こされる大きなファイルの_read_csv_にメモリの問題があります長い間： http://github.com/pydata/pandas/issues/407 ）。

現時点では完全な解決策はありません（面倒な解決策は次のとおりです：ファイルを行ごとに事前に割り当てられたNumPy配列またはメモリマップファイルに転写することができます---np.mmap_）私は近い将来に取り組んでいきます。別の解決策は、ファイルを小さな断片で読み取り（_iterator=True, chunksize=1000_を使用）、_pd.concat_で連結します。問題は、1つの大きなSlurpでテキストファイル全体をメモリにプルするときに発生します。

77
Wes McKinney

もちろんウェスは正しいです！もう少し完全なサンプルコードを提供したいと思っています。 129 Mbファイルでも同じ問題が発生しましたが、次の方法で解決しました。

from pandas import *

tp = read_csv('large_dataset.csv', iterator=True, chunksize=1000)  # gives TextFileReader, which is iterable with chunks of 1000 rows.
df = concat(tp, ignore_index=True)  # df is DataFrame. If errors, do `list(tp)` instead of `tp`
76
fickludd

これは古いスレッドですが、ここで回避策をダンプしたかっただけです。最初にchunksizeパラメーターを試しました（10000のような非常に小さな値でも）が、あまり役に立ちませんでした。メモリサイズにまだ技術的な問題がありました（CSVは7.5 Gbでした）。

現在、私はfor-loopアプローチでCSVファイルのチャンクを読み取り、それらをたとえばSQLiteデータベースに段階的に追加します。

import pandas as pd
import sqlite3
from pandas.io import sql
import subprocess

# In and output file paths
in_csv = '../data/my_large.csv'
out_sqlite = '../data/my.sqlite'

table_name = 'my_table' # name for the SQLite database table
chunksize = 100000 # number of lines to process at each iteration

# columns that should be read from the CSV file
columns = ['molecule_id','charge','db','drugsnow','hba','hbd','loc','nrb','smiles']

# Get number of lines in the CSV file
nlines = subprocess.check_output('wc -l %s' % in_csv, Shell=True)
nlines = int(nlines.split()[0]) 

# connect to database
cnx = sqlite3.connect(out_sqlite)

# Iteratively read CSV and dump lines into the SQLite table
for i in range(0, nlines, chunksize):

    df = pd.read_csv(in_csv,  
            header=None,  # no header, define column header manually later
            nrows=chunksize, # number of rows to read at each iteration
            skiprows=i)   # skip rows that were already read

    # columns to read        
    df.columns = columns

    sql.to_sql(df, 
                name=table_name, 
                con=cnx, 
                index=False, # don't use CSV file index
                index_label='molecule_id', # use a unique column from DataFrame as index
                if_exists='append') 
cnx.close()
39
user2489252

以下は私の作業の流れです。

import sqlalchemy as sa
import pandas as pd
import psycopg2

count = 0
con = sa.create_engine('postgresql://postgres:pwd@localhost:00001/r')
#con = sa.create_engine('sqlite:///XXXXX.db') SQLite
chunks = pd.read_csv('..file', chunksize=10000, encoding="ISO-8859-1",
                     sep=',', error_bad_lines=False, index_col=False, dtype='unicode')

ファイルサイズに基づいて、チャンクサイズを最適化する必要があります。

 for chunk in chunks:
        chunk.to_sql(name='Table', if_exists='append', con=con)
        count += 1
        print(count)

すべてのデータをデータベースに保存したら、データベースから必要なデータを照会できます。

5
WeNYoBen

巨大なcsvファイルをロードする場合は、daskが適切なオプションです。 pandas apiを模倣しているため、パンダと非常によく似ています

githubのdaskへのリンク

3
user8108173

pandas df。ではなくPytableを使用できます。大きなデータセット用に設計されており、ファイル形式はhdf5です。したがって、処理時間は比較的高速です。

1
Elm662