Pandas數據集的分塊讀取的實現

Posted on by

所謂“分塊”，顧名思義，就是將數據集分成幾塊進行讀取，比如有105條數據，一次讀取10條，讀取11次才能全部讀完。以下提供兩種分塊讀取的方法，兩種方法各有優劣。

一、直接用分塊方式讀取數據集文件（更直接）

分塊讀取數據集文件是指用read_xxx()方法讀取存儲數據的文件時采用分塊的方式，這裡以.csv文件為例，在read_csv()中加入chunksize參數即可實現分塊讀取：

reader = pd.read_csv('某招聘網站數據.csv', usecols = ['positionId', 'companyId', 'positionName', 'skillLables'],
                     chunksize=10)

此時，返回的reader不是DataFrame，而是一個可迭代對象（iteration），需要註意的是，這個可迭代對象不能用下標訪問。 下面遍歷這個對象：

for r in reader:
    print(r)

遍歷結果如下圖所示：

這種分塊讀取方式比較直接，但是由於一開始就定義瞭分塊大小，後續處理起來不夠靈活。因此提供瞭第二種讀取方法。

二、先將數據集讀取為可迭代對象，再分塊讀取（更靈活）

 這種方法將數據集文件讀取為時可迭代對象不定義分塊，用分塊的方式讀取read_csv()方法返回的可迭代對象。實現第一步要在read_csv()方法中指定參數iterator為True：

reader = pd.read_csv('某招聘網站數據.csv', usecols = ['positionId', 'companyId', 'positionName'],
                    iterator=True)

以下是用分塊方式遍歷reader，註意使用到的get_chunk()方法和裡面的參數，參數定義分塊大小，可以靈活調節：

while True:
    try:
        print(reader.get_chunk(10))
    except StopIteration:
        break

總結

綜上所述，兩種方法都能用pandas實現數據的分塊讀取，對於數據量較大的數據集還是比較實用的。兩種方法的優劣體現在直接性和靈活性上，可以根據實際需求自行選擇。

到此這篇關於Pandas數據集的分塊讀取的實現的文章就介紹到這瞭,更多相關Pandas數據集分塊讀取內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

推薦閱讀：