如何在Python中高效处理大规模CSV文件中的缺失值?

云静大大_4366

云静大大_4366

2026-06-23

521人浏览

原创

分块读取并即时清洗缺失值,数值列用中位数、分类列用众数填充,必须显式指定dtype(如float32、category),避免内存爆炸和类型错误。

如何在python中高效处理大规模csv文件中的缺失值?

直接用 fillna() 对整个 DataFrame 调用,大概率会内存爆掉或填错类型——尤其当文件超 1GB 且列类型未显式约束时。

分块读取后立即清洗,别等全加载完

缺失值处理必须嵌入分块流程,而不是“先读完再统一填”。否则 pd.read_csv() 已把全部 NaN 加载进内存,fillna() 只是雪上加霜。

  • 用 chunksize 参数控制单次内存占用,例如 chunksize=50000
  • 每块读入后立刻调用 df.isna().sum() 查看缺失分布,避免盲目填充
  • 对数值列优先用中位数(比均值抗异常值),分类列用 mode()[0],别依赖 fillna(method='ffill')——跨块不连续时会污染逻辑
  • 示例:
    for chunk in pd.read_csv("big.csv", chunksize=50000, dtype={"price": "float32", "category": "category"}):
        chunk["price"].fillna(chunk["price"].median(), inplace=True)
        chunk["category"].fillna(chunk["category"].mode()[0], inplace=True)
        # 后续处理或写入...

dtype 不设好,fillna 就是无效操作

Pandas 默认推断类型常把整数列判成 float64,把低基数字符串判成 object。前者让内存翻倍,后者让 mode() 失效(object 列的 mode() 返回 Series,不是标量)。

Camoufox Open Source Anti-Detect Browser for Python Automation
Camoufox Open Source Anti-Detect Browser for Python Automation

Camoufox 是一个基于 Firefox 构建的开源反检测浏览器,为 Python 自动化工作流程提供强大的指纹注入和反机器人检测规避功能。它与 Playwright 集成,以提供能够绕过现代机器人检测系统的隐身浏览能力。

下载
  • 数值列强制指定 int32 或 float32,比如 dtype={"user_id": "int32", "score": "float32"}
  • 分类列明确用 "category",它既省内存又支持 mode() 直接返回标量
  • 时间列别用 str 存,尽早转 datetime64[ns],否则缺失值无法用 interpolate(method="time")
  • 错误示范:df["status"].fillna("Unknown") 在 object 列上可行,但在 category 列会报 ValueError: fill value must be in categories

别 accumulate 到 list 再 concat,边填边写

很多人习惯 results.append(chunk.fillna(...)),最后 pd.concat(results) ——这会让所有块同时驻留内存,10 块 × 每块 200MB = 2GB 即刻触发 OOM。

  • 改用 csv.writer 边处理边写入新文件,跳过 DataFrame 拼接环节
  • 首次写入时用 chunk.columns.tolist() 写表头,后续块跳过
  • 如果必须保留 DataFrame 接口,用 Dask 替代:它天然支持惰性计算,df.fillna().compute() 不会全量驻留
  • 注意:to_csv(..., mode="a") 在循环中频繁打开关闭文件有 I/O 开销,建议用 buffering=8192 或批量缓存 1000 行再 flush

最易被忽略的是缺失值策略和数据类型绑定——填什么值只占你 20% 的精力,剩下 80% 在 dtype 定义、chunksize 选值、以及是否真的需要“填”(有时 dropna(subset=[...]) 更合理)。别让 fillna() 成为掩盖类型混乱的创可贴。

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文件 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

1951

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

5504

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

1889

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

33637

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

3947

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

3947

5

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.11

1283

5

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。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。

2023.08.10

636

4

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

3063

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