如何高效处理内存受限下的超大CSV文件(10GB+)

浅宇大大_8554

浅宇大大_8554

2026-11-19

324人浏览

原创

如何高效处理内存受限下的超大CSV文件(10GB+)

本文介绍在内存不足时,使用pandas分块读取(chunksize)结合流式聚合策略处理超大CSV文件的最佳实践,覆盖求和、条件过滤、分组统计等核心操作,并对比原生csv模块的轻量级替代方案。

本文介绍在内存不足时,使用pandas分块读取(`chunksize`)结合流式聚合策略处理超大csv文件的最佳实践,覆盖求和、条件过滤、分组统计等核心操作,并对比原生`csv`模块的轻量级替代方案。

当面对10GB级别的CSV文件时,直接调用 pd.read_csv() 极易触发 MemoryError。幸运的是,pandas 提供了 分块迭代(chunking) 机制,配合合理的状态累积逻辑,完全可以在有限内存下完成典型数据分析任务——无需切换技术栈,也无需依赖Spark等重型框架。

✅ 推荐方案:pd.read_csv(chunksize=...) + 增量聚合

这是最平衡、最易维护的 pandas 原生方案。关键在于:不保存完整DataFrame,只在每块中提取所需中间结果,最后合并汇总。

? 示例:计算全量 value 列总和

import pandas as pd

total = 0
for chunk in pd.read_csv('large_file.csv', 
                         names=['id', 'value', 'category'],
                         chunksize=50000):  # 每次读5万行(按内存调整)
    total += chunk['value'].sum()
print(f"Total value: {total:.2f}")

? 示例:条件过滤并保存到新文件(避免内存堆积)

# 使用 chunk 过滤并流式写入,不缓存全部匹配行
with open('filtered.csv', 'w', newline='') as f:
    writer = None
    for chunk in pd.read_csv('large_file.csv', 
                             names=['id', 'value', 'category'],
                             chunksize=50000):
        filtered_chunk = chunk[chunk['category'] > 5]
        if writer is None:
            filtered_chunk.to_csv(f, index=False, header=True)
            writer = True
        else:
            filtered_chunk.to_csv(f, index=False, header=False)

? 示例:分组聚合(如按 category 计算 value 均值)

由于均值 = 总和 / 计数,我们需分别累积各组的 sum 和 count:

Csv Brain
Csv Brain

加载CSV文件,使用自然语言(英文)提问。通过Anthropic、OpenAI或本地Ollama实现AI驱动的自然语言查询,无需SQL。

下载
from collections import defaultdict
import numpy as np

group_sums = defaultdict(float)
group_counts = defaultdict(int)

for chunk in pd.read_csv('large_file.csv',
                         names=['id', 'value', 'category'],
                         chunksize=50000):
    grouped = chunk.groupby('category')['value'].agg(['sum', 'count'])
    for cat, row in grouped.iterrows():
        group_sums[cat] += row['sum']
        group_counts[cat] += row['count']

# 最终计算均值
result = {cat: group_sums[cat] / group_counts[cat] 
          for cat in group_sums}
print("Group means:", {k: round(v, 4) for k, v in result.items()})

⚠️ 注意事项与优化技巧

  • chunksize 并非越大越好:建议从 10000–100000 起步,通过 psutil.virtual_memory() 监控实际内存占用后动态调优;
  • 列选择优先:使用 usecols=['value', 'category'] 显式指定所需列,跳过无关字段可显著降低内存压力;
  • 数据类型精简:通过 dtype={'category': 'uint8'} 等强制小类型,避免默认 int64/float64 浪费空间;
  • 避免 .concat() 全量拼接:如需构建子集DataFrame,优先用 pd.concat(chunks, ignore_index=True) 且控制 chunks 数量(例如仅保留满足条件的前N块);
  • 替代方案权衡:
    • ✅ 纯 csv 模块流式处理:内存开销最低(
    • ⚠️ Dask DataFrame:语法接近pandas,支持并行与磁盘溢出,但引入额外依赖与学习成本;
    • ❌ iterator=True 单行遍历:性能极差,仅作极端场景兜底。

? 总结

对绝大多数内存受限的CSV分析任务,chunksize 分块 + 增量状态管理 是最务实、最可控的解决方案。它充分发挥pandas的向量化优势于每个数据块内,同时规避全局加载瓶颈。只要明确最终目标(是求和?是过滤?是分组?),就能设计出对应的状态变量(标量、字典、列表),让10GB文件像“水流”一样穿过你的程序——安静、高效、零崩溃。

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:

csv csv文件

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

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

34077

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

3987

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

3987

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

3103

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
热门推荐
/
最新课程
phpStudy极速入门视频教程
phpStudy极速入门视频教程

共6课时 | 54.7万人学习

独孤九贱(4)_PHP视频教程
独孤九贱(4)_PHP视频教程

共89课时 | 134.3万人学习