我有一个相当大的 CSV 文件，它包含 9917530 行（没有标题）和 54 列。列是实数或整数，只有一个包含日期。文件上有一些 NULL 值，nan在我将其加载到 pandas 后被转换为DataFrame，我这样做是这样的：
import pandas as pd
data = pd.read_csv('data.csv')
加载后，我认为非常快，因为它花了大约 30 秒（与使用 Unix 工具计算行数几乎相同wc），该过程占用了大约 4Gb 的 RAM（磁盘上文件的大小：2.2 Gb. 到目前为止一切顺利。
然后我尝试执行以下操作：
column_means = data.mean()
进程占用的内存很快增长到~22Gb。我还可以看到处理器（一个核心）非常忙碌 - 大约三个小时，之后我终止了进程，因为我需要将机器用于其他事情。我有一台运行速度非常快的 Linux 电脑——它有 2 个处理器，每个处理器有 4 个内核，所以总共有 8 个内核和 32 Gb 的 RAM。我不敢相信计算列均值应该花这么长时间。
谁能解释为什么DataFrame.mean()这么慢？更重要的是，有什么更好的方法来计算这样的文件列的平均值？我没有以最好的方式加载文件，我应该使用不同的功能而不是DataFrame.mean()或者完全不同的工具吗？
提前谢谢了。
编辑。这是df.info()显示的内容：
<class 'pandas.core.frame.DataFrame'>
Int64Index: 9917530 entries, 0 to 9917529
Data columns (total 54 columns):
srch_id 9917530 non-null values
date_time 9917530 non-null values
site_id 9917530 non-null values
visitor_location_country_id 9917530 non-null values
visitor_hist_starrating 505297 non-null values
visitor_hist_adr_usd 507612 non-null values
prop_country_id 9917530 non-null values
prop_id 9917530 non-null values
prop_starrating 9917530 non-null values
prop_review_score 9902900 non-null values
prop_brand_bool 9917530 non-null values
prop_location_score1 9917530 non-null values
prop_location_score2 7739150 non-null values
prop_log_historical_price 9917530 non-null values
position 9917530 non-null values
price_usd 9917530 non-null values
promotion_flag 9917530 non-null values
srch_destination_id 9917530 non-null values
srch_length_of_stay 9917530 non-null values
srch_booking_window 9917530 non-null values
srch_adults_count 9917530 non-null values
srch_children_count 9917530 non-null values
srch_room_count 9917530 non-null values
srch_saturday_night_bool 9917530 non-null values
srch_query_affinity_score 635564 non-null values
orig_destination_distance 6701069 non-null values
random_bool 9917530 non-null values
comp1_rate 235806 non-null values
comp1_inv 254433 non-null values
comp1_rate_percent_diff 184907 non-null values
comp2_rate 4040633 non-null values
comp2_inv 4251538 non-null values
comp2_rate_percent_diff 1109847 non-null values
comp3_rate 3059273 non-null values
comp3_inv 3292221 non-null values
comp3_rate_percent_diff 944007 non-null values
comp4_rate 620099 non-null values
comp4_inv 692471 non-null values
comp4_rate_percent_diff 264213 non-null values
comp5_rate 4444294 non-null values
comp5_inv 4720833 non-null values
comp5_rate_percent_diff 1681006 non-null values
comp6_rate 482487 non-null values
comp6_inv 524145 non-null values
comp6_rate_percent_diff 193312 non-null values
comp7_rate 631077 non-null values
comp7_inv 713175 non-null values
comp7_rate_percent_diff 277838 non-null values
comp8_rate 3819043 non-null values
comp8_inv 3960388 non-null values
comp8_rate_percent_diff 1225707 non-null values
click_bool 9917530 non-null values
gross_bookings_usd 276592 non-null values
booking_bool 9917530 non-null values
dtypes: float64(34), int64(19), object(1)None