python - 加快 Pandas 中 csv 文件的条件行读取速度？

Question

我从这个 post 修改了一行有条件地从 csv 文件中读取行:

filename=r'C:\Users\Nutzer\Desktop\Projects\UK_Traffic_Data\test.csv'

df = (pd.read_csv(filename, error_bad_lines=False) [lambda x: x['Accident_Index'].str.startswith('2005')])

这条线非常适用于小型测试数据集。但是，我确实有一个很大的 csv 文件要读取，并且读取该文件需要很长时间。实际上，最终会达到 NotebookApp.iopub_data_rate_limit。我的问题是:

1. 有没有办法改进此代码及其性能？
2. “Accident_Index”列中的记录已排序。因此，如果达到“Accident_Index”不等于 str.startswith('2005') 的值，则中断读取语句可能是一种解决方案。您对如何做到这一点有什么建议吗？

这是一些示例数据:

所需的输出应该是包含前六条记录的 pandas 数据框。

Answer 1

我们最初可以只读取我们想要使用上述条件过滤的特定列(假设这会显着减少读取开销)。

#reading the mask column
df_indx = (pd.read_csv(filename, error_bad_lines=False,usecols=['Accident_Index'])
           [lambda x: x['Accident_Index'].str.startswith('2005')])

然后我们可以使用此列中的值来使用 skiprows 从文件中读取剩余的列和 nrows属性，因为它们是输入文件中的排序值

df_data= (pd.read_csv(filename,    
         error_bad_lines=False,header=0,skiprows=df_indx.index[0],nrows=df_indx.shape[0]))
df_data.columns=['Accident_index','data']

这将给出我们想要的数据的一个子集。我们可能不需要单独获取列名。