如何利用Python Pandas将数据分块处理以应对受限的硬件环境?

胖墨小哥_5696

胖墨小哥_5696

2026-06-25

517人浏览

原创

分块读取是处理超大CSV的唯一可行路径,必须用chunksize返回TextFileReader迭代器逐块加载DataFrame,避免全量加载触发MemoryError;需从1000起步实测内存、显式指定dtype、就地写入而非累积concat,并警惕跨块逻辑失效。

如何利用python pandas将数据分块处理以应对受限的硬件环境?

分块读取和处理是唯一可行路径,硬加载全量数据必然触发 MemoryError。

用 chunksize 参数控制每次读入的行数

直接调用 pd.read_csv() 时传入 chunksize(整数),它不会返回 DataFrame,而是返回一个 TextFileReader 迭代器。每次 next() 或循环中获取的都是独立的 DataFrame 块,内存只保留当前块。

  • 值不是越大越好:设为 10000 可能仍爆内存,建议从 1000 起步,观察任务管理器或 psutil.Process().memory_info().rss 实时监控
  • 注意列类型推断问题:每块单独 infer 类型可能导致不一致,可在 read_csv() 中用 dtype 显式指定,或先用小样本跑一次 df.dtypes.to_dict() 固定类型
  • 若需跳过头部/尾部行,skiprows 和 skipfooter 在分块模式下行为异常,应改用 usecols 或预处理文件

避免在块循环中累积结果到列表再拼接

常见错误是把每块处理结果 .append() 到 list,最后 pd.concat(list) —— 这会把所有块重新载入内存,前功尽弃。

  • 正确做法:对每块就地处理并立即写入磁盘,例如用 to_csv(..., mode='a', header=False) 追加到输出文件
  • 若必须汇总统计(如求总和、计数),只维护几个标量变量,而非 DataFrame 或 Series;例如 total_sum += chunk['col'].sum()
  • 若要用 groupby 全局聚合,不能直接 chunk.groupby(...).sum(),得先保存各块中间结果(如字典 {key: partial_sum}),最后合并再计算

分块写入时注意索引与文件头管理

用 to_csv() 分批写入同一文件时,header=True 必须仅对第一块启用,否则每块都写列名,后续读取会出错。

Define repeatable Python automation sessions in code with nox
Define repeatable Python automation sessions in code with nox

将测试、lint、构建和文档流程编码为命名的Python会话,以便人类和代理每次运行相同的workflow。

下载
  • 推荐写法:for i, chunk in enumerate(reader): chunk.to_csv('out.csv', mode='a', header=(i==0), index=False)
  • 若原始数据含索引列且需保留,确保 index_col 在 read_csv() 中已指定,否则分块后索引会重置为 0..n,丢失原始顺序信息
  • 写入时若遇到 PermissionError: [Errno 13] Permission denied,大概率是文件被 Excel 或其他程序占用,关闭相关进程再试

更轻量的替代方案:Dask 或 Polars 的 lazy 模式

当逻辑复杂、需要链式操作(如多层 merge、嵌套 apply)且 Pandas 分块代码变得难维护时,可切换工具,但要注意迁移成本。

  • dask.dataframe.read_csv() 自动分块 + 延迟执行,.compute() 才真正运行,适合中等规模(GB 级)且 CPU 富余场景
  • polars.scan_csv() 返回 LazyFrame,语法接近 Pandas,执行效率更高,但不支持全部 Pandas API(如 str.extractall)
  • 二者都无法绕过磁盘 I/O 瓶颈;SSD 比 HDD 快 3–5 倍,如果卡在读文件阶段,换工具不如换硬件

真正棘手的从来不是“怎么分块”,而是分块后如何保证业务逻辑语义不变——比如窗口函数跨块失效、时间序列排序错乱、去重漏掉跨块重复项。这些必须根据具体需求逐条验证,没有通用解法。

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

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

5684

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

1929

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

34877

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

4067

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

4067

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

1303

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

3163

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