Summary statistics on Large csv file using python pandas
假设我有10gb的csv文件,我想使用DataFrame describe方法获取文件的摘要统计信息。
在这种情况下,首先我需要为所有10gb csv数据创建一个DataFrame。
1 2 3 | text_csv=Pandas.read_csv("target.csv") df=Pandas.DataFrame(text_csv) df.describe() |
这是否意味着所有10gb都会被加载到内存中并计算统计数据?
是的,我认为你是对的。 你可以省略
1 2 3 4 | import pandas as pd df = pd.read_csv("target.csv") print df.describe() |
或者您可以使用dask:
1 2 3 4 5 | import dask.dataframe as dd df = dd.read_csv('target.csv.csv') print df.describe() |
您可以使用参数
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 | import pandas as pd import io temp=u"""a;b 1;525 1;526 1;533 2;527 2;528 2;532 3;519 3;534 3;535 4;530 5;529 5;531 6;520 6;521 6;524""" #after testing replace io.StringIO(temp) to filename #chunksize = 2 for testing tp = pd.read_csv(io.StringIO(temp), sep=";", chunksize=2) print tp <pandas.io.parsers.TextFileReader object at 0x000000001995ADA0> df = pd.concat(tp, ignore_index=True) print df.describe() a b count 15.000000 15.000000 mean 3.333333 527.600000 std 1.877181 5.082182 min 1.000000 519.000000 25% 2.000000 524.500000 50% 3.000000 528.000000 75% 5.000000 531.500000 max 6.000000 535.000000 |
您可以将
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 | import pandas as pd import io temp=u"""a;b 1;525 1;526 1;533 2;527 2;528 2;532 3;519 3;534 3;535 4;530 5;529 5;531 6;520 6;521 6;524""" #after testing replace io.StringIO(temp) to filename tp = pd.read_csv(io.StringIO(temp), sep=";", chunksize=2) print tp dfs = [] for t in tp: df = pd.DataFrame(t) df1 = df.describe() dfs.append(df1.T) df2 = pd.concat(dfs) |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 | print df2 count mean std min 25% 50% 75% max a 2 1.0 0.000000 1 1.00 1.0 1.00 1 b 2 525.5 0.707107 525 525.25 525.5 525.75 526 a 2 1.5 0.707107 1 1.25 1.5 1.75 2 b 2 530.0 4.242641 527 528.50 530.0 531.50 533 a 2 2.0 0.000000 2 2.00 2.0 2.00 2 b 2 530.0 2.828427 528 529.00 530.0 531.00 532 a 2 3.0 0.000000 3 3.00 3.0 3.00 3 b 2 526.5 10.606602 519 522.75 526.5 530.25 534 a 2 3.5 0.707107 3 3.25 3.5 3.75 4 b 2 532.5 3.535534 530 531.25 532.5 533.75 535 a 2 5.0 0.000000 5 5.00 5.0 5.00 5 b 2 530.0 1.414214 529 529.50 530.0 530.50 531 a 2 6.0 0.000000 6 6.00 6.0 6.00 6 b 2 520.5 0.707107 520 520.25 520.5 520.75 521 a 1 6.0 NaN 6 6.00 6.0 6.00 6 b 1 524.0 NaN 524 524.00 524.0 524.00 524 |
似乎
根据@ fickludd和@Sebastian Raschka在pandas中的大型持久性DataFrame中的答案,您可以使用
1 2 3 4 | import pandas as pd df = pd.read_csv('some_data.csv', iterator=True, chunksize=1000) # gives TextFileReader, which is iteratable with chunks of 1000 rows. partial_desc = df.describe() |
并自己汇总所有部分描述信息。
希望能帮助到你。