我正在尝试做一些相当简单的事情,将一个大的csv文件读入到一个pandas数据帧中。
data = pandas.read_csv(filepath, header = 0, sep = DELIMITER,skiprows = 2)
代码要么会因为MemoryError
而失败,要么永远不会结束。
任务管理器中的内存使用率在506 Mb停止,5分钟后没有变化,进程中也没有CPU活动,我停止了它。
我使用的是pandas 0.11.0版。
我知道文件解析器曾经有一个内存问题,但根据的说法,这个问题应该已经解决了。
我尝试读取的文件是366 Mb,如果我将文件缩短为25 Mb,上面的代码就可以工作。
我还收到一个弹出窗口,告诉我它不能写入地址0x1e0baf93……
堆栈跟踪:
Traceback (most recent call last):
File "F:\QA ALM\Python\new WIM data\new WIM data\new_WIM_data.py", line 25, in
<module>
wimdata = pandas.read_csv(filepath, header = 0, sep = DELIMITER,skiprows = 2
)
File "C:\Program Files\Python\Anaconda\lib\site-packages\pandas\io\parsers.py"
, line 401, in parser_f
return _read(filepath_or_buffer, kwds)
File "C:\Program Files\Python\Anaconda\lib\site-packages\pandas\io\parsers.py"
, line 216, in _read
return parser.read()
File "C:\Program Files\Python\Anaconda\lib\site-packages\pandas\io\parsers.py"
, line 643, in read
df = DataFrame(col_dict, columns=columns, index=index)
File "C:\Program Files\Python\Anaconda\lib\site-packages\pandas\core\frame.py"
, line 394, in __init__
mgr = self._init_dict(data, index, columns, dtype=dtype)
File "C:\Program Files\Python\Anaconda\lib\site-packages\pandas\core\frame.py"
, line 525, in _init_dict
dtype=dtype)
File "C:\Program Files\Python\Anaconda\lib\site-packages\pandas\core\frame.py"
, line 5338, in _arrays_to_mgr
return create_block_manager_from_arrays(arrays, arr_names, axes)
File "C:\Program Files\Python\Anaconda\lib\site-packages\pandas\core\internals
.py", line 1820, in create_block_manager_from_arrays
blocks = form_blocks(arrays, names, axes)
File "C:\Program Files\Python\Anaconda\lib\site-packages\pandas\core\internals
.py", line 1872, in form_blocks
float_blocks = _multi_blockify(float_items, items)
File "C:\Program Files\Python\Anaconda\lib\site-packages\pandas\core\internals
.py", line 1930, in _multi_blockify
block_items, values = _stack_arrays(list(tup_block), ref_items, dtype)
File "C:\Program Files\Python\Anaconda\lib\site-packages\pandas\core\internals
.py", line 1962, in _stack_arrays
stacked = np.empty(shape, dtype=dtype)
MemoryError
Press any key to continue . . .
有一点背景知识--我试图让人们相信Python可以和R做同样的事情。为此,我尝试复制一个做R的脚本
data <- read.table(paste(INPUTDIR,config[i,]$TOEXTRACT,sep=""), HASHEADER, DELIMITER,skip=2,fill=TRUE)
R不仅能够很好地读取上面的文件,它甚至在for循环中读取了几个这样的文件(然后对数据做了一些处理)。如果Python对这种大小的文件确实有问题,我可能会打一场失败的战斗……
发布于 2015-07-21 22:14:03
Windows内存限制
在Windows中使用32位版本时,python经常发生内存错误。这是因为32位默认处理only gets 2GB of memory to play with。
降低内存使用率的技巧
如果你没有在windows中使用32位python,但希望在读取csv文件时提高内存效率,这里有一个技巧。
pandas.read_csv function使用一个名为dtype
的选项。这让pandas知道您的csv数据中存在哪些类型。
它是如何工作的
默认情况下,pandas会尝试猜测您的csv文件的数据类型。这是一个非常繁重的操作,因为当它确定数据类型时,它必须将所有原始数据作为对象(字符串)保存在内存中。
示例
假设您的csv如下所示:
name, age, birthday
Alice, 30, 1985-01-01
Bob, 35, 1980-01-01
Charlie, 25, 1990-01-01
当然,这个例子读入内存是没有问题的,但它只是一个例子。
如果pandas读取上面的csv文件而不带任何dtype选项,那么年龄将作为字符串存储在内存中,直到pandas读取了足够的csv文件行来进行限定猜测。
我认为pandas的默认做法是在猜测dtype之前读取1,000,000行。
解决方案
通过将dtype={'age':int}
指定为.read_csv()
的一个选项,可以让熊猫知道应该将年龄解释为数字。这为您节省了大量内存。
数据损坏的问题
但是,如果您的csv文件可能已损坏,则如下所示:
name, age, birthday
Alice, 30, 1985-01-01
Bob, 35, 1980-01-01
Charlie, 25, 1990-01-01
Dennis, 40+, None-Ur-Bz
然后,指定dtype={'age':int}
将中断.read_csv()
命令,因为它不能将"40+"
转换为int。因此,请仔细清理您的数据!
在这里您可以看到,当以字符串形式保存浮点数时,pandas数据帧的内存使用率要高得多:
你自己试试吧
df = pd.DataFrame(pd.np.random.choice(['1.0', '0.6666667', '150000.1'],(100000, 10)))
resource.getrusage(resource.RUSAGE_SELF).ru_maxrss
# 224544 (~224 MB)
df = pd.DataFrame(pd.np.random.choice([1.0, 0.6666667, 150000.1],(100000, 10)))
resource.getrusage(resource.RUSAGE_SELF).ru_maxrss
# 79560 (~79 MB)
发布于 2017-11-11 04:00:10
我也遇到了同样的内存问题,简单地读取一个大小约为1 GB的制表符分隔的文本文件(超过550万条记录),这解决了内存问题:
df = pd.read_csv(myfile,sep='\t') # didn't work, memory error
df = pd.read_csv(myfile,sep='\t',low_memory=False) # worked fine and in less than 30 seconds
Spyder 3.2.3 Python 2.7.13 64位
发布于 2019-03-04 17:30:45
我在读取大的CSV文件时尝试了chunksize
reader = pd.read_csv(filePath,chunksize=1000000,low_memory=False,header=0)
read现在就是列表。我们可以迭代reader
并写入/附加到新的csv,也可以执行任何操作
for chunk in reader:
print(newChunk.columns)
print("Chunk -> File process")
with open(destination, 'a') as f:
newChunk.to_csv(f, header=False,sep='\t',index=False)
print("Chunk appended to the file")
https://stackoverflow.com/questions/17557074
复制相似问题