Python如何处理千万级CSV大文件_使用Pandas 2.0结合PyArrow后端提升读取速度

酷磊君_6487

酷磊君_6487

2026-04-24

501人浏览

原创

直接用pandas.read_csv()读千万行卡死,本质是默认C解析器逐行做类型推断和Python对象构造;改用PyArrow后端(engine="pyarrow")并预设dtype、usecols等参数,可将1200万行读取从90秒降至15秒内、内存从8GB压至≤3.5GB。

python如何处理千万级csv大文件_使用pandas 2.0结合pyarrow后端提升读取速度

为什么直接用 pandas.read_csv() 读千万行会卡死

不是内存爆了就是读取慢到怀疑人生——本质是默认引擎(C parser)在逐行解析时要做大量类型推断、字符串拷贝和 Python 对象构造。尤其当 CSV 包含混合类型列、缺失值、非标准分隔符时,read_csv() 会在每行反复调用 Python 层逻辑,CPU 和 GC 压力陡增。

实测:1200 万行 × 50 列的 CSV,在无 dtype 预设、无 low_memory=False 的情况下,可能占用 8GB+ 内存、耗时 90 秒以上;而同样数据用 PyArrow 后端常压在 15 秒内、峰值内存 ≤3.5GB。

  • 别信“加 nrows=1000 看头几行”就能预估全量性能——小样本无法暴露类型冲突和内存碎片问题
  • engine='c' 是默认值,不能关;想提速必须换后端,不是换 engine
  • PyArrow 不是插件,是 Pandas 2.0+ 原生支持的执行后端,启用后 read_csv() 底层自动走 Arrow C++ 实现

怎样用 PyArrow 后端真正生效

关键不是装 pyarrow,而是让 Pandas 明确知道“这次我要用它”。Pandas 2.0 默认仍走传统路径,必须显式指定 engine='pyarrow' 或设置全局选项。

  • 单次读取:直接传参 pd.read_csv("data.csv", engine="pyarrow")
  • 全局生效(推荐):pd.options.io.excel.xlsx.engine = "pyarrow" 不起作用——正确写法是 pd.options.mode.dtype_backend = "pyarrow"(影响后续 dtype 推断),但读 CSV 还得单独设 engine
  • 必须安装 pyarrow>=12.0.0(Pandas 2.0 要求),低于此版本会 fallback 到 Python engine 并静默警告
  • 遇到 ArrowInvalid: Unable to parse string 错误?说明某列有非法日期/数字格式,PyArrow 比 Pandas 更严格,需配合 dtype 或 parse_dates 预声明

dtype 和列筛选不写清楚,PyArrow 也救不了你

PyArrow 加速的前提是“少做推断”。它不会像 Pandas 那样先读几行猜类型再重读,而是按你给的 schema 一次性流式解析。漏写 dtype,它照样 fallback 到慢路径。

在清理重构之前使用 Vulture 查找未使用的 Python 代码
在清理重构之前使用 Vulture 查找未使用的 Python 代码

在重构之前对Python代码库运行死代码检测,以便智能体能够标记未使用的函数、类、导入和变量,而不是盲目删除。

下载
  • 数值列一律用 dtype={"col_a": "int64[pyarrow]", "col_b": "float64[pyarrow]"},注意方括号里的 [pyarrow] ——这是 Pandas 2.0 的新 dtype 语法,不是字符串
  • 字符串列强烈建议用 "string[pyarrow]",比默认 object 节省 40%+ 内存且支持向量化操作
  • 只读部分列?用 usecols=["id", "name", "amount"],PyArrow 会跳过磁盘上其他字段,比 Pandas 的列裁剪快得多
  • 时间列别依赖 infer_datetime_format=True,PyArrow 不认这个参数;改用 parse_dates=["ts"] + date_format="%Y-%m-%d %H:%M:%S"

内存不够时,分块读取必须配 dtype 一致

用 chunksize 分批处理千万级文件很常见,但如果不统一每块的 dtype,Pandas 会把每块当作独立 DataFrame 拼接,导致类型不一致(比如一块是 int64[pyarrow],另一块是 int32[pyarrow]),最终合并时报 TypeError: incompatible dtypes。

  • 先用小样本跑一次 pd.read_csv("sample.csv", engine="pyarrow", dtype=...) 确定完整 dtype 字典
  • 分块时显式传入同一份 dtype:for chunk in pd.read_csv(..., chunksize=100000, engine="pyarrow", dtype=dtype_dict)
  • 避免用 pd.concat(chunks) 全部载入内存;改用 chunk.to_parquet() 直接落盘或流式计算(如 chunk.groupby(...).sum() 后累加)
  • PyArrow 分块读取不支持 skiprows 动态跳过——首块用 skiprows=0,后续块用 skiprows=n 手动算偏移,容易出错;更稳的方式是先用 awk 或 sed 切割文件

PyArrow 后端不是银弹:它对格式规整、schema 明确的数据加速显著,但遇到大量空值嵌套 JSON、超长不定长字符串、自定义 quote 字符时,仍可能比 Pandas 的 Python engine 更慢。上线前务必用真实数据集做端到端耗时对比,而不是只看文档里的 benchmark 数字。

Python免费学习笔记(深入):立即使用
在学习笔记中,你将探索 Python 的核心概念和高级技巧!

相关文章

PHP速学视频免费教程(入门到精通)
PHP速学视频免费教程(入门到精通)

PHP怎么学习?PHP怎么入门?PHP在哪学?PHP怎么学才快?不用担心,这里为大家提供了PHP速学教程(入门到精通),有需要的小伙伴保存下载就能学习啦!

下载

相关标签:

python csv

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
python是前端还是后端
python是前端还是后端

Python属于前端也属于后端,其灵活性和丰富的生态系统使得开发人员能够在不同的领域中灵活运用。本专题为大家提供python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

3123

5

前端和后端的区别
前端和后端的区别

前端关注的是用户界面的设计和交互,而后端则注重数据处理和逻辑控制。想了解更多前端后端的相关内容,可以阅读本专题下面的文章。

2024.03.19

7650

13

后端的主要工作内容介绍
后端的主要工作内容介绍

后端是应用程序的服务端部分,负责核心任务,如数据库交互、业务逻辑处理和响应客户端请求。想了解更多后端的相关内容,可以阅读本专题下面的文章。

2024.03.19

7266

10

python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

2023.07.20

1971

4

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

2023.07.25

5584

7

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

2023.07.31

1909

3

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

2023.08.03

34197

23

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4007

5

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

2023.08.04

4007

5

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程