应使用 chunksize 分块读取大 csv 文件，避免内存溢出；配合 usecols 选列、dtype 指定类型、合理设置 chunksize（5000–50000）、处理编码与分隔符异常，并优先存为 parquet 提升后续读取效率。
用 chunksize 分块读取，别一次性 read_csv()
直接调用 pd.read_csv("huge.csv") 很可能内存爆掉——Pandas 会把整个文件加载进内存构造成 DataFrame。真正可行的做法是设 chunksize 参数，让它返回一个可迭代的 TextFileReader 对象。
常见错误是设了 chunksize=10000 却忘了循环处理：
reader = pd.read_csv("data.csv", chunksize=5000)
# ❌ 这行什么也没做，reader 还没被消费
for chunk in reader:
# ✅ 在这里处理每个 chunk，比如过滤、聚合、写入数据库
process(chunk)
-
chunksize不是越小越好：太小（如 100）会导致 I/O 开销剧增；太大（如 50 万）仍可能 OOM；建议从 5000–50000 试起，观察内存占用 - 如果只需统计或抽样，用
nrows+skiprows比分块更轻量 -
dtype强制指定列类型（如{"user_id": "uint32", "score": "float32"}）能省 30%–60% 内存，必须加
跳过无用列用 usecols，别让 Pandas 白读
很多超大 CSV 有几十列，但你只关心其中 3–4 列。默认读全量列不仅慢，还浪费内存。用 usecols 可以只加载目标列，性能提升常达 2–5 倍。
注意两种写法效果不同：
python-script-generator
下载
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
-
usecols=["id", "name", "amount"]—— 按列名指定，安全但需确认 header 存在且无歧义 -
usecols=[0, 2, 5]—— 按位置指定，更快（跳过列名解析），适合结构固定、无 header 或 header 行混乱的文件 - 如果列名含空格或特殊字符，用位置方式更稳；若用列名，建议先用
pd.read_csv(..., nrows=0)快速获取列名列表
处理编码和分隔符异常：别卡在第一行
超大文件出错往往不是数据量问题，而是第 1 行就因编码或分隔符不一致报错，比如 UnicodeDecodeError 或 ParserError: Error tokenizing data。
- 先用命令行快速探查：
head -n 3 huge.csv | cat -A看是否含^M（Windows 换行）、\t或隐藏控制字符 -
encoding别硬写"utf-8"，试试"utf-8-sig"（去 BOM）或"latin1"（总能读，不报错） - 分隔符不确定时，用
sep=r"\s+"处理多空格，或sep=";"应对分号 CSV；必要时加engine="python"支持正则分隔，但速度略降 - 遇到脏数据（如某行多一个逗号），加
on_bad_lines="skip"（pandas ≥ 1.3）或旧版用error_bad_lines=False
写入中间结果时优先用 to_parquet，别再碰 CSV
如果你需要反复读取同一份清洗后的子集，每次重新 read_csv 分块处理是低效的。清洗完立刻存成 Parquet：
# 清洗后保存为列式格式
chunk.to_parquet(f"clean_chunk_{i}.parquet", index=False)
# 下次直接 pd.read_parquet()，快 5–10 倍，内存占用低 60%+
- Parquet 支持按列读取（
columns=["a", "b"]），比 CSV 的usecols更彻底 - 如果最终要进数据库，用
chunk.to_sql()批量插入，别转成 list 再循环execute() - 避免用
pd.concat(chunks)拼回完整 DataFrame——这等于又回到内存爆炸的老路
真正难的不是“怎么读”，而是判断哪部分逻辑必须在内存里做、哪部分可以流式丢弃。比如计数可以边读边累加，但排序就必须全量载入或改用外部排序工具。
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！
