Python 数据分析之逐块读取文本
背景
《利用Python进行数据分析》,第 6 章的数据加载操作 read_xxx
,有 chunksize
参数可以进行逐块加载。
经测试,它的本质就是将文本分成若干块,每次处理 chunksize
行的数据,最终返回一个TextParser
对象,对该对象进行迭代遍历,可以完成逐块统计的合并处理。
示例代码
文中的示例代码分析如下:
from pandas import DataFrame,Series
import pandas as pd
path='D:/AStudy2018/pydata-book-2nd-edition/examples/ex6.csv'
# chunksize return TextParser
chunker=pd.read_csv(path,chunksize=1000)
# an array of Series
tot=Series([])
chunkercount=0
for piece in chunker:
print '------------piece[key] value_counts start-----------'
#piece is a DataFrame,lenth is chunksize=1000,and piece[key] is a Series ,key is int ,value is the key column
print piece['key'].value_counts()
print '------------piece[key] value_counts end-------------'
#piece[key] value_counts is a Series ,key is the key column, and value is the key count
tot=tot.add(piece['key'].value_counts(),fill_value=0)
chunkercount+=1
#last order the series
tot=tot.order(ascending=False)
print chunkercount
print '--------------'
流程分析
首先,例子数据 ex6.csv 文件总共有 10000 行数据,使用 chunksize=1000
后,read_csv
操作返回一个 TextParser
对象,该对象总共有10个元素,遍历过程中打印 chunkercount
验证得到。
其次,每个 piece
对象是一个 DataFrame
对象,piece['key']
得到的是一个 Series
对象,默认是数值索引,值为 csv 文件中的 key 列的值,即各个字符串。
将每个 Series 的 value_counts
作为一个Series,与上一次统计的 tot
结果进行 add
操作,最终得到所有块数据中各个 key 的累加值。
最后,对 tot 进行 order 排序,按降序得到各个 key 的值在 csv 文件中出现的总次数。
这里很巧妙了使用 Series 对象的 add 操作,对两个 Series 执行 add 操作,即合并相同key:key相同的记录的值累加,key不存在的记录设置填充值为0。
输出结果为:
本文地址:https://blog.csdn.net/wojiushiwo945you/article/details/110945820
上一篇: RDKit | 基于片段的分子生成(骨架A+骨架B)
下一篇: mysql查询某表索引