Python tách regex csv
Tôi đề nghị bạn tận dụng các khả năng được cung cấp bởi gấu trúc. Dưới đây là các chức năng bạn có thể sử dụng để làm điều đó Nội dung chính Hiển thị
And after that in the record copy or Jupyter of you that you set
P. S. 1. Tôi đặt P. S. 2. Tôi đã sử dụng nhật ký thư viện để hiển thị tin nhắn. Khi nào sẽ áp dụng một chức năng như vậy trên các tệp hiện có trên một máy chủ từ xa, bạn thực sự muốn tránh 'trong đơn giản' và kết hợp các khả năng ghi nhật ký. You can instead P. S. 3. Tất nhiên, bạn cần thay thế các phần ____10 của mã bằng các tham số của riêng bạn Bài đăng trên blog này cho thấy các cách tiếp cận khác nhau để chia sẻ một tệp CSV lớn thành các tệp CSV nhỏ hơn và phác thảo chi phí / lợi ích của các phương pháp khác nhau TL;DR
Vui lòng điều khiển các phương pháp khác nhau và xem xét thời gian mất bao lâu để phân chia tệp CSV 2,9 GB với 11,8 triệu hàng dữ liệu Tách với vỏYou can share CSV on local file system of your own by shell command FILENAME=nyc-parking-tickets/Parking_Violations_Issued_-_Fiscal_Year_2015.csv split -b 10000000 $FILENAME tmp/split_csv_shell/file Điều này chỉ mất 4 giây để chạy. Mỗi tệp đầu ra là 10 MB và có khoảng 40. 000 hàng dữ liệu Cách tiếp cận này có một số nhược điểm khóa
API system file PythonBạn cũng có thể sử dụng đầu đọc / nhà văn của hệ thống tệp Python để phân chia tệp CSV chunk_size = 40000 def write_chunk(part, lines): with open('../tmp/split_csv_python/data_part_'+ str(part) +'.csv', 'w') as f_out: f_out.write(header) f_out.writelines(lines) with open("../nyc-parking-tickets/Parking_Violations_Issued_-_Fiscal_Year_2015.csv", "r") as f: count = 0 header = f.readline() lines = [] for line in f: count += 1 lines.append(line) if count % chunk_size == 0: write_chunk(count // chunk_size, lines) lines = [] # write remainder if len(lines) > 0: write_chunk((count // chunk_size) + 1, lines) Điều này mất 9,6 giây để chạy và xuất đúng hàng tiêu đề trong mỗi tệp CSV được chia, không giống như cách phân tích tiếp theo shell tệp lệnh Nó sẽ dễ dàng hơn để điều chỉnh tập lệnh này để chạy trên các tập tin đã được lưu trữ trong một kho lưu trữ đối tượng đám mây so với tập lệnh shell Hãy cùng nhìn vào một số cách tiếp cận cận cảnh chậm hơn một chút, nhưng linh hoạt hơn Gấu trúcTại đây, cách đọc trong các phần của tệp CSV vào các khung dữ liệu gấu trúc và sau đó ghi ra từng khung dữ liệu source_path = "../nyc-parking-tickets/Parking_Violations_Issued_-_Fiscal_Year_2015.csv" for i,chunk in enumerate(pd.read_csv(source_path, chunksize=40000, dtype=dtypes)): chunk.to_csv('../tmp/split_csv_pandas/chunk{}.csv'.format(i), index=False) Cách tiếp cận này ghi 296 tệp, mỗi tệp có khoảng 40. 000 hàng dữ liệu.   Cách tiếp cận gấu trúc linh hoạt hơn các phương pháp hệ thống tập tin Python vì nó cho phép bạn xử lý dữ liệu trước khi viết.   The first control control is could with the way next close shell and hard/dễ bị lỗi with the way next next system file Python RemoveTại đây, cách đọc tệp CSV vào một khung dữ liệu DataFrame trong khối 10 MB và ghi dữ liệu dưới định dạng tệp CSV 287 ddf = dd.read_csv(source_path, blocksize=10000000, dtype=dtypes) ddf.to_csv("../tmp/split_csv_dask") Lệnh DASK chạy trong 172 giây Đối với công cụ tính toán này, thời gian chạy DASK gần bằng với thời gian chạy của khung kiến trúc.   DASK cho phép một số xử lý dữ liệu trung gian có thể phù hợp với cấu trúc tập lệnh, như sắp xếp toàn bộ dữ liệu.   So sánh các phương phápBiểu đồ này cho thấy thời gian thực hiện chương trình theo cách tiếp cận Nếu bạn cần nhanh chóng phân chia một tệp CSV lớn, thì hãy liên kết với API hệ thống tệp Python Thời gian xử lý thông thường không phải là yếu tố quan trọng nhất khi phân tách tệp CSV lớn.  
Mục tiêu chính khi phân tách một tệp CSV lớn thường là để các nguồn phân tích giảm chạy nhanh hơn và đáng tin cậy hơn.   Bước tiếp theoTệp CSV không tốt cho các phân tích dữ liệu vì chúng không thể đọc được bài hát.   Các tệp CSV nói chung bị hạn chế vì chúng không chứa siêu dữ liệu lược đồ, hàng tiêu đề yêu cầu logic xử lý bổ sung và tính chất dựa trên hàng của tệp không cho phép cắt tỉa cột.   Chia một tệp CSV thành nhiều tệp Parquet (hoặc định dạng tệp tốt khác) là bước đầu tiên tuyệt vời cho đường ống xử lý dữ liệu cấp sản xuất.   .   . Việc xem xét hiệu suất quan trọng hơn là tìm ra cách phân chia tệp theo cách mà sẽ làm cho tất cả các phân tích hạ nguồn của bạn chạy nhanh hơn đáng kể |