使用Python处理大型CSV文件

处理大型CSV文件时，可能会遇到内存限制等问题。一种常见的解决方案是使用Python的pandas库，它允许我们选择性地读取文件的特定部分，而不是一次性加载整个文件，这在面对大数据集时尤为重要。

本教程将详细介绍如何使用Python和pandas库来选择性地读取和处理大型CSV文件中的字段，以避免内存不足的问题。

1.选择性读取字段

在此步骤中，我们通过usecols参数选择性地读取感兴趣的列，以减轻内存负担。

import pandas as pd


# 指定CSV文件的路径
csv_file_path = "<文件路径>"


# 指定需要提取的字段列名
selected_columns = ['unified_code', 'reg_addr']


# 使用pd.read_csv()读取指定列的数据
data = pd.read_csv(csv_file_path, usecols=selected_columns)


# 显示读取的数据
print(data.head())


# 保存读取的数据到新的CSV文件中
csv_output_file_path = "<输出文件路径>"
data.to_csv(csv_output_file_path, index=False)


print("数据已保存为CSV文件：", csv_output_file_path)

2.数据合并

我们有两个CSV文件，需要基于'unified_code'字段进行合并。pandas的merge函数允许我们进行这样的操作。

import pandas as pd



# 指定两个CSV文件的路径

csv_file1_path = "<文件1路径>"

csv_file2_path = "<文件2路径>"



# 读取两个CSV文件

data1 = pd.read_csv(csv_file1_path)

data2 = pd.read_csv(csv_file2_path)



# 基于'unified_code'字段合并数据

merged_data = data1.merge(data2, on='unified_code', how='inner')



# 显示合并后的数据

print(merged_data.head())



# 保存合并后的数据到新的CSV文件中

merged_csv_file_path = "合并后的数据.csv"

merged_data.to_csv(merged_csv_file_path, index=False)



print("匹配成功的数据已保存为CSV文件：", merged_csv_file_path)

3.生成唯一ID并保存数据

最后，我们为每行数据生成一个唯一的ID，对数据进行筛选，并将结果保存到新的CSV文件中。

import pandas as pd



# 指定CSV文件的路径

csv_file_path = "合并后的数据.csv"



# 读取CSV文件

data = pd.read_csv(csv_file_path)



# 为每一行生成唯一的ID

data['ID'] = range(1, len(data) + 1)



# 选择性保留字段

selected_columns = ['ID', 'unified_code', 'reg_addr']

data = data[selected_columns]



# 保存清理后的数据到新的CSV文件中

output_csv_file_path = "clean.csv"

data.to_csv(output_csv_file_path, index=False)



print("数据已保存为CSV文件：", output_csv_file_path)

总结

本教程演示了如何使用Python和pandas库对大型CSV文件进行选择性读取、合并和保存，以避免内存不足的问题。这种方法在处理大数据集时非常有用，能够显著提高数据处理的效率。