在 python 中使用 csv.DictReader 进行数据类型转换的最快方法

Question

我正在 python 中处理一个 CSV 文件，该文件在使用时大约有 100,000 行。每行都有一组维度（作为字符串）和一个指标（浮点数）。

由于 csv.DictReader 或 csv.reader 仅以字符串形式返回值，因此我当前正在迭代所有行并将一个数值转换为浮点数。

for i in csvDict:
    i[col] = float(i[col])

有没有人可以建议更好的方法来做到这一点？我一直在尝试使用 map、izip、itertools 的各种组合，并广泛搜索了一些更有效地执行此操作的示例，但不幸的是没有取得太大成功。

如果有帮助： 我正在应用程序引擎上执行此操作。我相信我正在做的事情可能会导致我遇到这个错误： 在总共处理 11 个请求后，超过了软进程大小限制 267.789 MB - 我仅在 CSV 相当大时才得到它。

编辑：我的目标 我正在解析此 CSV，以便可以将其用作Google Visualizations API 的数据源< /a>.最终的数据集将被加载到 gviz DataTable 中进行查询。在构建此表期间必须指定类型。如果有人知道 python 中一个好的 gviz csv->datatable 转换器，我的问题也可以得到解决！

Edit2：我的代码

我相信我的问题与我尝试修复CsvTypes() 的方式有关。此外，data_table.LoadData() 需要一个可迭代对象。

class GvizFromCsv(object):
  """Convert CSV to Gviz ready objects."""

  def __init__(self, csvFile, dateTimeFormat=None):
    self.fileObj = StringIO.StringIO(csvFile)
    self.csvDict = list(csv.DictReader(self.fileObj))
    self.dateTimeFormat = dateTimeFormat
    self.headers = {}
    self.ParseHeaders()
    self.fixCsvTypes()

  def IsNumber(self, st):
    try:
        float(st)
        return True
    except ValueError:
        return False

  def IsDate(self, st):
    try:
      datetime.datetime.strptime(st, self.dateTimeFormat)
    except ValueError:
      return False

  def ParseHeaders(self):
    """Attempts to figure out header types for gviz, based on first row"""
    for k, v in self.csvDict[0].items():
      if self.IsNumber(v):
        self.headers[k] = 'number'
      elif self.dateTimeFormat and self.IsDate(v):
        self.headers[k] = 'date'
      else:
        self.headers[k] = 'string'

  def fixCsvTypes(self):
    """Only fixes numbers."""
    update_to_numbers = []
    for k,v in self.headers.items():
      if v == 'number':
        update_to_numbers.append(k)
    for i in self.csvDict:
      for col in update_to_numbers:
        i[col] = float(i[col])

  def CreateDataTable(self):
    """creates a gviz data table"""
    data_table = gviz_api.DataTable(self.headers)
    data_table.LoadData(self.csvDict)
    return data_table

Answer 1

我首先使用正则表达式利用了 CSV 文件，但由于文件中的数据在每一行中排列得非常严格，我们可以简单地使用 split() 函数

import gviz_api

scheme = [('col1','string','SURNAME'),('col2','number','ONE'),('col3','number','TWO')]
data_table = gviz_api.DataTable(scheme)

#  --- lines in surnames.csv are : --- 
#  surname,percent,cumulative percent,rank\n
#  SMITH,1.006,1.006,1,\n
#  JOHNSON,0.810,1.816,2,\n
#  WILLIAMS,0.699,2.515,3,\n

with open('surnames.csv') as f:

    def transf(surname,x,y):
        return (surname,float(x),float(y))

    f.readline()
    # to skip the first line surname,percent,cumulative percent,rank\n

    data_table.LoadData( transf(*line.split(',')[0:3]) for line in f )
    # to populate the data table by iterating in the CSV file

，或者无需定义函数：

import gviz_api

scheme = [('col1','string','SURNAME'),('col2','number','ONE'),('col3','number','TWO')]
data_table = gviz_api.DataTable(scheme)

#  --- lines in surnames.csv are : --- 
#  surname,percent,cumulative percent,rank\n
#  SMITH,1.006,1.006,1,\n
#  JOHNSON,0.810,1.816,2,\n
#  WILLIAMS,0.699,2.515,3,\n

with open('surnames.csv') as f:

    f.readline()
    # to skip the first line surname,percent,cumulative percent,rank\n

    datdata_table.LoadData( [el if n==0 else float(el) for n,el in enumerate(line.split(',')[0:3])] for line in f )    
    # to populate the data table by iterating in the CSV file

有一瞬间，我相信我必须一次填充一行数据表，因为我使用的是正则表达式，并且需要在浮动数字字符串之前获取匹配的组。使用 split() ，所有操作都可以通过 LoadData() 在一条指令中完成

。

因此，您的代码可以被缩短。顺便说一句，我不明白为什么它应该继续定义一个类。相反，一个函数对我来说似乎就足够了：

def GvizFromCsv(filename):
  """ creates a gviz data table from a CSV file """

  data_table = gviz_api.DataTable([('col1','string','SURNAME'),
                                   ('col2','number','ONE'    ),
                                   ('col3','number','TWO'    ) ])

  #  --- with such a table schema , lines in the file must be like that: ---  
  #  blah, number, number, ...anything else...\n 
  #  SMITH,1.006,1.006, ...anything else...\n 
  #  JOHNSON,0.810,1.816, ...anything else...\n 
  #  WILLIAMS,0.699,2.515, ...anything else...\n

  with open(filename) as f:
    data_table.LoadData( [el if n==0 else float(el) for n,el in enumerate(line.split(',')[0:3])]
                         for line in f )
  return data_table

。

现在您必须检查是否可以在这段代码中插入从另一个 API 读取 CSV 数据的方式，以保持填充数据表的迭代原则。

Answer 2

首先，如果您需要仅可视化这些数据，则不需要任何转换：gviz 可以处理 JSON（基于文本，您知道）或 CSV（您已经拥有它，不需要解析！）。您可以将有问题的文件放在任何合理的 Web 服务器上，并允许使用奇特的 GET 请求 gviz 问题来访问它，基本上是通过忽略参数。

但我们假设您需要处理。看起来您不仅读取了 CSV 文件，还尝试将其完全存储在 RAM 中。这可能不切实际：随着您添加更多处理，您将越来越快地达到 RAM 限制。一次处理一行数据（如果应用窗口过滤器等，则处理合理的行数）并将处理后的行放入数据存储，而不是任何列表等。同样，当通过 GET 请求提供数据时，读取 /处理一行，将其写入响应，并且不要将其放入任何列表或其他内容中。

我认为转换技术没有问题，只要您稍后在代码中合理地使用 i 并且不要记住所有 i 。

Answer 3

有两个不同的事情：
“数据源”和“数据表”。

“数据源”是 Google Visualization API 服务器作为可视化 Web 服务提供的格式化数据的名称：

This page describes how you can implement a data source to feed data
to visualizations built on the Google Visualization API. 

http://code.google.com/intl/fr/apis/visualization/documentation/dev/implementing_data_source.html 

“数据源”名称包含“线路协议”的概念：

In response [to a request], the data source returns properly formatted data 
that the visualization can use to render the graphic on the page. 
This request-response protocol is known as the Google Visualization API wire protocol,

http://code.google.com/intl/fr/apis/visualization/documentation/dev/implementing_data_source_overview.html

要实现“数据源”，需要有有两种可能性：

• Use one of the data source libraries listed in the Data Sources and Tools Gallery. 
All the data source libraries listed on that page implement the wire protocol.

• Write your own data source from scratch, 

http://code.google.com/intl/fr/apis/visualization/documentation/dev/implementing_data_source_overview.html

如下：

• ... Data Sources and Tools Gallery : (....) You therefore need write only the
code needed to make your data available to the library in the form of a data table. 

• Write your own data source from scratch, as described in the
Writing your own Data Source

我理解，从头开始，我们需要自己实现有线协议+创建“数据表”，而使用数据源库，我们只需要创建“数据表”。

---

有一些关于创建“数据源”的页面

http ://code.google.com/intl/fr/apis/visualization/documentation/dev/implementing_data_source_overview.html

http://code.google.com/intl/fr/apis/visualization/documentation/dev/gviz_api_lib.html

在我看来，该示例地址为 http://groups.google.com/group/ google-visualization-api/browse_thread/thread/9d1d941e0f0b32ed 是关于创建“数据源”的，那里的答案是可疑的。但这对我来说不是很清楚。

---

但是这些页面和主题对您来说并不是有趣的，事实上，如果我理解得很好，您想要知道如何准备通过“数据源”提供的数据（称为“数据表”），但是不是“数据源”的构建。

3.Prepare your data. You'll need to prepare the data to visualize; 
this means either specifying the data yourself in code, 
or querying a remote site for data.

http://code.google.com/intl/fr/apis/visualization/documentation/using_overview.html#keycomponents

A visualization stores the data that it visualizes as two-dimensional data table with 
rows and columns.
Cells are referenced by (row, column) where row is a zero-based row number, and column
is either a zero-based column index or a unique ID that you can specify. 

http://code.google.com/intl/fr/apis/visualization/documentation/using_overview.html#preparedata

所以，“数据表”的准备是关键。

这里是：

There are two ways to create/populate your visualization's data table:

•Query a data provider. A data provider is another site that returns
a populated DataTable in response to a request from your code. 
Some data providers also accept SQL-like query strings to sort or 
filter the data. See Data Queries for more information and an example
of a query.

•Create and populate your own DataTable by hand. You can populate your
DataTable in code on your page. The simplest way to do this is to create
a DataTable object without any data and populate it by calling addRows()
on it. You can also pass a JavaScript literal representation of the data
table into the DataTable constructor, but this is more complex and is
covered on the reference page.

http://code.google.com/intl/fr/apis/visualization/documentation/using_overview.html#preparedata

更多信息可以在这里找到：

2. Describe your table schema
The table schema is specified by the table_description parameter
passed into the constructor. You cannot change it later. 
The schema describes all the columns in the table: the data type of
each column, the ID, and an optional label.

Each column is described by a tuple: (ID [,data_type [,label [,custom_properties]]]). 



The table schema is a collection of column descriptor tuples. 
Every list member, dictionary key or dictionary value must be either 
another collection or a descriptor tuple. You can use any combination 
of dictionaries or lists, but every key, value, or member must
eventually evaluate to a descriptor tuple. Here are some examples.

•List of columns: [('a', 'number'), ('b', 'string')]
•Dictionary of lists: {('a', 'number'): [('b', 'number'), ('c', 'string')]}
•Dictionary of dictionaries: {('a', 'number'): {'b': 'number', 'c': 'string'}}
•And so on, with any level of nesting.


3. Populate your data
To add data to the table, build a structure of data elements in the
exact same structure as the table schema. So, for example, if your
schema is a list, the data must be a list: 

•schema: [("color", "string"), ("shape", "string")] 
•data: [["blue", "square"], ["red", "circle"]] 
If the schema is a dictionary, the data must be a dictionary:

•schema: {("rowname", "string"): [("color", "string"), ("shape", "string")] }
•data: {"row1": ["blue", "square"], "row2": ["red", "circle"]}

http://code.google.com/intl/fr/apis/visualization/documentation/dev/gviz_api_lib.html#populatedata

最后，我想说，对于你的问题，你必须定义一个“表模式”并处理你的 CSV 文件，以便获得精确的数据元素结构。与表模式相同的结构。

列中数据类型的定义是在“表模式”的定义中完成的。如果填充“数据表”必须使用具有正确类型（不是字符串，我想说）的数据来完成，我将帮助您编写从 CSV 中提取数据的代码，这很简单。

目前，我希望这一切都是正确的并且会有所帮助