1

我有 100 个 CSV 文件,它们都包含来自不同时间段的相似信息。我只需要从每个时间段中提取某些信息,不需要将所有数据存储到内存中。

现在我使用的东西看起来像:

import pandas as pd
import numpy as np
import glob

average_distance = []
for files in glob.glob("*2013-Jan*"): # Here I'm only looking at one file
    data = pd.read_csv(files)

    average_distance.append(np.mean(data['DISTANCE']))
    rows = data[np.logical_or(data['CANCELLED'] == 1, data['DEP_DEL15'] == 1)]

    del data

我的问题是:有没有办法使用生成器来做到这一点,如果是这样,这是否会加快进程,让我轻松浏览 100 个 CSV 文件?

我认为这可能是在正确的轨道上:

def extract_info():
average_distance = []
for files in glob.glob("*20*"):
    data = pd.read_csv(files)

    average_distance.append(np.mean(data['DISTANCE']))
    rows = data[np.logical_or(data['CANCELLED'] == 1, data['DEP_DEL15'] == 1)]

    yield rows

cancelled_or_delayed = [month for month in extract_info()]

谢谢!

4

1 回答 1

0

Pandas 的 read_csv 方法经过高度优化:您可以提供参数,如要读取的列和块大小,如docs中所述。所以你的电话可能看起来像这样:

data = pd.read_csv(files, usecols=['Column_X', 'Column_Y'], chunksize=10000)
于 2013-11-08T15:16:30.587 回答