pandas read_json 成 block 但仍然有内存错误

Question

我正在尝试读取和处理一个大的 json 文件(~16G)，但即使我通过指定 chunksize=500 读取小块，它仍然有内存错误。我的代码:

i=0
header = True
for chunk in pd.read_json('filename.json.tsv', lines=True, chunksize=500):
        print("Processing chunk ", i)
        process_chunk(chunk, i)
        i+=1
        header = False

def process_chunk(chunk, header, i):
    pk_file = 'data/pk_files/500_chunk_'+str(i)+'.pk'
    get_data_pk(chunk, pk_file) #load and process some columns and save into a pk file for future processing
    preds = get_preds(pk_file) #SVM prediction
    chunk['prediction'] = preds #append result column
    chunk.to_csv('result.csv', header = header, mode='a')

process_chunk 函数基本上读取每个块并向其附加一个新列。
当我使用较小的文件时，它也能正常工作，如果我在 read_json 函数中指定 nrows=5000 也能正常工作。似乎出于某种原因，尽管有 chunksize 参数，它仍然需要完整的文件大小内存。
任何的想法？谢谢!

Answer 1

我在我的项目的一个虚拟环境中使用了 pandas v1.1.2 时遇到了同样的奇怪问题。
将 pandas 降级到 v1.0.5 似乎可以解决问题。