如何在 Python 中将读取的大型 csv 文件分割成大小均匀的块？

Question

基本上我有下一个过程。

import csv
reader = csv.reader(open('huge_file.csv', 'rb'))

for line in reader:
    process_line(line)

请参阅此相关问题 。我想每100行发送一次流程线，以实现批量分片。

实现相关答案的问题是 csv 对象是不可订阅的并且不能使用 len。

>>> import csv
>>> reader = csv.reader(open('dataimport/tests/financial_sample.csv', 'rb'))
>>> len(reader)
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: object of type '_csv.reader' has no len()
>>> reader[10:]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: '_csv.reader' object is unsubscriptable
>>> reader[10]
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: '_csv.reader' object is unsubscriptable

我该如何解决这个问题？

Answer 1

只需将您的阅读器包装到列表中即可订阅。显然，这会破坏非常大的文件（请参阅下面的“更新”中的替代方案）：

>>> reader = csv.reader(open('big.csv', 'rb'))
>>> lines = list(reader)
>>> print lines[:100]
...

进一步阅读：如何在 Python 中将列表拆分为大小均匀的块？

---

更新 1（列表版本）：另一种可能的方法是在迭代行时处理每个卡盘：

#!/usr/bin/env python

import csv
reader = csv.reader(open('4956984.csv', 'rb'))

chunk, chunksize = [], 100

def process_chunk(chuck):
    print len(chuck)
    # do something useful ...

for i, line in enumerate(reader):
    if (i % chunksize == 0 and i > 0):
        process_chunk(chunk)
        del chunk[:]  # or: chunk = []
    chunk.append(line)

# process the remainder
process_chunk(chunk)

---

更新 2（生成器版本）：我还没有对它进行基准测试，但也许您可以通过使用块来提高性能< em>生成器：

#!/usr/bin/env python

import csv
reader = csv.reader(open('4956984.csv', 'rb'))

def gen_chunks(reader, chunksize=100):
    """ 
    Chunk generator. Take a CSV `reader` and yield
    `chunksize` sized slices. 
    """
    chunk = []
    for i, line in enumerate(reader):
        if (i % chunksize == 0 and i > 0):
            yield chunk
            del chunk[:]  # or: chunk = []
        chunk.append(line)
    yield chunk

for chunk in gen_chunks(reader):
    print chunk # process chunk

# test gen_chunk on some dummy sequence:
for chunk in gen_chunks(range(10), chunksize=3):
    print chunk # process chunk

# => yields
# [0, 1, 2]
# [3, 4, 5]
# [6, 7, 8]
# [9]

有一个小问题，如 @totalhack 指出< /a>:

请注意，这会一遍又一遍地产生具有不同内容的同一对象。如果您计划在每次迭代之间对块执行所需的所有操作，那么这种方法效果很好。

Answer 2

我们可以使用 pandas 模块来处理这些大的 csv 文件。

df = pd.DataFrame()
temp = pd.read_csv('BIG_File.csv', iterator=True, chunksize=1000)
df = pd.concat(temp, ignore_index=True)

Answer 3

对于所有 .csv 文件，没有一种好的方法来执行此操作。您应该能够使用 file.seek跳过文件的一部分。然后你必须一次扫描一个字节才能找到行的末尾。您可以独立处理这两个块。类似以下（未经测试）的代码应该可以帮助您入门。

file_one = open('foo.csv')
file_two = open('foo.csv') 
file_two.seek(0, 2)     # seek to the end of the file
sz = file_two.tell()    # fetch the offset
file_two.seek(sz / 2)   # seek back to the middle
chr = ''
while chr != '\n':
    chr = file_two.read(1)
# file_two is now positioned at the start of a record
segment_one = csv.reader(file_one)
segment_two = csv.reader(file_two)

我不确定您如何知道您已完成 segment_one 的遍历。如果 CSV 中有一列是行 ID，那么当您遇到 segment_two 中第一行的行 ID 时，您可以停止处理 segment_one。