Python - 减少大型 CSV 文件的导入和解析时间

Question

我的第一篇文章:

在开始之前，我应该注意我对 OOP 比较陌生，虽然我在 SAS、R 等方面做过 DB/stat 工作，所以我的问题可能没有很好地提出:如果我需要澄清，请告诉我任何东西。

我的问题:

我正在尝试导入和解析大型 CSV 文件(~6MM 行和更大的行)。我反复遇到的两个限制是运行时和内存(Python 的 32 位实现)。下面是我的新手(第 n 次)尝试在合理时间内导入和解析的简化版本。 我怎样才能加快这个过程？由于内存限制，我在导入和执行临时摘要时拆分文件，并使用 pandas 进行摘要:

解析和总结:

def ParseInts(inString):
    try:
        return int(inString)
    except:
        return None
def TextToYearMo(inString):
    try:
        return 100*inString[0:4]+int(inString[5:7])
    except:
        return 100*inString[0:4]+int(inString[5:6])
def ParseAllElements(elmValue,elmPos):
    if elmPos in [0,2,5]:
        return elmValue
    elif elmPos == 3:
        return TextToYearMo(elmValue)
    else:
        if elmPos == 18:
            return ParseInts(elmValue.strip('\n'))
        else:
            return ParseInts(elmValue)

def MakeAndSumList(inList):
    df = pd.DataFrame(inList, columns = ['x1','x2','x3','x4','x5',
                                         'x6','x7','x8','x9','x10',
                                         'x11','x12','x13','x14'])
    return df[['x1','x2','x3','x4','x5',
               'x6','x7','x8','x9','x10',
               'x11','x12','x13','x14']].groupby(
               ['x1','x2','x3','x4','x5']).sum().reset_index()

函数调用:

def ParsedSummary(longString,delimtr,rowNum):
    keepColumns = [0,3,2,5,10,9,11,12,13,14,15,16,17,18]

    #Do some other stuff that takes very little time

    return [pse.ParseAllElements(longString.split(delimtr)[i],i) for i in keepColumns]

def CSVToList(fileName, delimtr=','):
    with open(fileName) as f:
        enumFile = enumerate(f)
        listEnumFile = set(enumFile)
        for lineCount, l in enumFile:
            pass

        maxSplit = math.floor(lineCount / 10) + 1

        counter = 0
        Summary = pd.DataFrame({}, columns = ['x1','x2','x3','x4','x5',
                                              'x6','x7','x8','x9','x10',
                                              'x11','x12','x13','x14'])
        for counter in range(0,10):
            startRow     = int(counter * maxSplit)
            endRow       = int((counter + 1) * maxSplit)
            includedRows = set(range(startRow,endRow))

            listOfRows = [ParsedSummary(row,delimtr,rownum) 
                            for rownum, row in listEnumFile if rownum in includedRows]
            Summary = pd.concat([Summary,pse.MakeAndSumList(listOfRows)])

            listOfRows = []
            counter += 1
    return Summary

(同样，这是我的第一个问题 - 所以如果我简化得太多，或者更可能是太少，我深表歉意，但我不知道如何加快这个问题。)

对于运行时比较:

使用 Access，我可以在不到 5 分钟的时间内导入、解析、汇总和合并此大小范围内的多个文件(尽管我刚好达到 2GB 的上限)。我希望我能在 Python 中获得类似的结果——目前我估计一个文件的运行时间约为 30 分钟。注意:我在 Access 的悲惨环境中拼凑了一些东西，只是因为我没有随时可用的管理员权限来安装其他任何东西。

编辑:更新了解析代码。通过将一些条件逻辑更改为 try/except，能够缩短五分钟(估计运行时间为 25 米)。此外 - 运行时估计不包括 pandas 部分 - 我忘记了我在测试时评论过这一点，但它的影响似乎可以忽略不计。

Answer 1

如果您想优化性能，请不要在 Python 中使用自己的 CSV 阅读器。已经有一个标准csv模块。也许 pandas 或 numpy 有更快的 csv 阅读器；我不确定。

来自 https://softwarerecs.stackexchange.com/questions/7463/fastest-python-library-to-read-a-csv-file :

In short, pandas.io.parsers.read_csv beats everybody else, NumPy's loadtxt is impressively slow and NumPy's from_file and load impressively fast.