python - 使用 pypyodbc 和 pandas 加载 1GB .accdb 时出现内存错误

Question

我正在尝试做一些可能不可能或应该以不同方式完成的事情......

我必须读取 1 GB Access 文件并在 pandas 中操作它；由于 cursor.fetchall() 因 Memory Error 直接失败，我尝试了下面的函数，以便查看内存错误何时发生:它出现在提取了 400.000 行之后(总共是 1.12 莫罗)。

这很奇怪，因为我的机器里有 8 GB 内存，而且它似乎是免费的 50%。我还将虚拟内存设置为 16 GB，但结果没有改变。

我不需要微积分速度，所以欢迎任何肮脏的解决方案:)包括使用硬盘作为RAM(我有一个SSD)。

也许有办法让所有内存都可用于 python？

已经失败的方法:

• 单行获取:cursor.fetchone()
• 多行获取:cursor.fetchmany()
• 获取所有行:cursor.fetchall()
• pandas read_sql 传递 chunksize:pandas.read_sql(query, conn, chunksize=chunksize)(感谢用户 MaxU)

功能:

def msaccess_to_df (abs_path, query):
    conn = pypyodbc.connect(
        r"Driver={Microsoft Access Driver (*.mdb, *.accdb)};"
        r"Dbq=" + abs_path + ";" )

    cur = conn.cursor()
    cur.execute( query )

    fields = zip(*cur.description)[0]
    df = pandas.DataFrame(columns=fields)

    fetch_lines_per_block = 5000
    i = 0
    while True:
        rows = cur.fetchmany(fetch_lines_per_block) # <-----
        if len(rows) == 0: break
        else:
            rd = [dict(zip(fields, r)) for r in rows]
            df = df.append(rd, ignore_index=True)
            del rows
            del rd
        i+=1
        print 'fetched', i*fetch_lines_per_block, 'lines'

    cur.close()
    conn.close()

    return df

错误:

df = df.append(rd, ignore_index=True)
  File "C:\Python27\lib\site-packages\pandas\core\frame.py", line 4338, in append
    verify_integrity=verify_integrity)
  File "C:\Python27\lib\site-packages\pandas\tools\merge.py", line 845, in concat
    copy=copy)
  File "C:\Python27\lib\site-packages\pandas\tools\merge.py", line 904, in __init__
    obj.consolidate(inplace=True)
  File "C:\Python27\lib\site-packages\pandas\core\generic.py", line 2747, in consolidate
    self._consolidate_inplace()
  File "C:\Python27\lib\site-packages\pandas\core\generic.py", line 2729, in _consolidate_inplace
    self._protect_consolidate(f)
  File "C:\Python27\lib\site-packages\pandas\core\generic.py", line 2718, in _protect_consolidate
    result = f()
  File "C:\Python27\lib\site-packages\pandas\core\generic.py", line 2727, in f
    self._data = self._data.consolidate()
  File "C:\Python27\lib\site-packages\pandas\core\internals.py", line 3273, in consolidate
    bm._consolidate_inplace()
  File "C:\Python27\lib\site-packages\pandas\core\internals.py", line 3278, in _consolidate_inplace
    self.blocks = tuple(_consolidate(self.blocks))
  File "C:\Python27\lib\site-packages\pandas\core\internals.py", line 4269, in _consolidate
    _can_consolidate=_can_consolidate)
  File "C:\Python27\lib\site-packages\pandas\core\internals.py", line 4292, in _merge_blocks
    new_values = new_values[argsort]
MemoryError

#################### 编辑 - 已解决 ####################

最后我解决了

• 将计算机虚拟内存设置为 16GB
• 安装 Python 64 位
• 用 64 位驱动程序替换 Access 驱动程序(https://www.microsoft.com/en-us/download/confirmation.aspx?id=13255)

有了这个，任何方法都可以工作。

Answer 1

我会使用原生 pandas 方法 - read_sql()而不是在循环中手动获取行:

def msaccess_to_df (abs_path, query):
    conn = pypyodbc.connect(
        r"Driver={Microsoft Access Driver (*.mdb, *.accdb)};"
        r"Dbq=" + abs_path + ";" )

    df = pd.read_sql(query, conn)
    conn.close()
    return df

如果您仍然收到 MemoryError 异常，请尝试分块读取数据:

def msaccess_to_df (abs_path, query, chunksize=10**5):
    conn = pypyodbc.connect(
        r"Driver={Microsoft Access Driver (*.mdb, *.accdb)};"
        r"Dbq=" + abs_path + ";" )

    df = pd.concat([x for x in pd.read_sql(query, conn, chunksize=chunksize)],
                   ignore_index=True)
    conn.close()
    return df

PS 这应该给你一个想法，但请注意，我没有测试这段代码，所以它可能需要一些调试......