Python 的大文件解析

[jiminjohn0402]

今天做了一个 3gcsv 数据量 2100 万条的 csv 拆分，因为 csv 总提示数据超长，然后就导出为 xlsx ，但是非常慢，因为是初次接触，是不是哪里有什么问题。但是如果只是拆分 csv 不会很慢（都会先按一个字段进行排序）。
想问下各位大佬对于这一类型的数据拆分和解析如何处理，有什么优化方案？用的是 mbp 19 16g 内存 intel i7

[l1xnan]

没明白你那个“因为...， 然后 ...” 的因果关系。如果是读 csv 慢，用最新版本的 pandas 或者 pyarrow 或者 duckdb ，都非常快，不要自己写 open/for 循环，如果是写 xlsx 慢，格式决定写速度可优化空间不多，xlsxwriter 相比 openpyxl 性能好点，用 constant_memory=optimised 参数，内存优化非常明显，速度会比 openpyxl 库快一点

[evemoo]

一种思路
```python
def list_split(source_list, n):
return [source_list[i:i+n] for i in range(0, len(source_list), n)]

while line := f.readline():
do_something
```

[orangie]

感觉像是没用 pandas ，而是自己解析和处理 csv 。对于 pandas 来说 3GB 的文件不大。

[NoOneNoBody]

你这个需要汇总么？不需要的话，读一行处理一行，添加到相应文件
如果只是拆分，不需要计算的话，按这种方式纯文字处理很快的

[SuperXX]

拆分的闭着眼睛用 np.split
读写慢 用 parquet 或者 DuckDB ， 其实这个数据量才 3GB….

楼主得好好提升一下自己的语文， 虽然不知道你到底要表达啥，我还是盲猜吧

[ho121]

不如试试 Access

[bianhui]

没看明白啥意思，如果导出 xlsx excel 直接另存为不就行了吗。如果解析数据，read line ，不要 read lines 。

[hyperbin]

excel 最多 1048576 行

[missuo]

用 readline ，不要用 readlines ，不就行了

[jiminjohn0402]

@l1xnan 确实说的有问题，是因为两个原因要拆分
1 、文件太大，单独打开太慢
2 、即便打开了提示字段超长，可能现实不全，但是转为 xlsx 不会有这个问题
然后就开始想拆分方案，我自己参考网上的方案写了一份，感觉有点慢：

import pandas as pd

# 读取 CSV 文件
data = pd.read_csv('customer.csv')

# 按照“客户编号”列排序
# 转换为字符串列排序
data['客户编号'] = data['客户编号'].astype('str')
sorted_data = data.sort_values(by='客户编号', ascending=False)

# 将数据拆分为 30 个数据桢并保存为 CSV 文件
num_files = 30
chunk_size = len(sorted_data) // num_files

for i in range(num_files):
start_idx = i * chunk_size
if i < num_files - 1:
end_idx = (i + 1) * chunk_size
else:
end_idx = len(sorted_data)

chunk = sorted_data.iloc[start_idx:end_idx]
chunk.to_excel(f'chunk_{i + 1}.xlsx', index=False)

[laqow]

直接 bash 下用 head -l 拆不就行了？拆完每个文件加上第一个文件的第一行，然后用 python 或什么别的多进程转成 excel 。
超过 10M 的文件都不要用 excel ，不然每次打开都要等半天，excel 还有各种自动转码的 feature ，长数字转 int 超长截断，反斜杠变日期之类的。reCSVEditor 之类的直接看 csv 要简单很多。

[Maerd]

xlsx 自带压缩，基础数据类型也和 csv 不同，你在转出时首先要将数据格式转成 xlsx 的格式，然后再进行压缩，你想想这能快吗

[jiyan5]

吐槽下 excel 的后缀名是啥玩意，不如 doc ppt 的好记

[volvo007]

@jiminjohn0402 有点慢是多慢？一般最新的 pandas 打开 3G 的 csv 应该和玩一样。如果慢，可能和你的数据类型有关，比如如果日期类比较多的话，pd 会用不同的日期格式去匹配，这个过程也是非常慢的。嫌慢也可以考虑基于 pyarrow 的 polars 去处理。arrow 是 Apache 的顶级框架之一，专门用来处理大数据的。此外，pd 是基于 numpy 的，而 numpy 本身不包含 string 类型，因为这不是 numpy 最关心的问题，它都是“数据”计算。所以如果文本类型比较多得话，还是考虑 pyarrow 这种原生支持 string 的库去处理才是合适的

[djangovcps]

众所周知 python 的各种库 写 excel 都是慢的，根本就没说到点子上，真的嫌慢，用 python3.11 有伪 jit 加速，写 xlsx 会快 80%，我试过的

[jiminjohn0402]

@volvo007 大概花了两个小时分拆出 30 个文件，每个文件 80 多万条数据

[NoOneNoBody]

@jiminjohn0402 #10
首先看你写的，并不需要 pandas ，逐条读取，提取客户编号作为判断，然后写到 xlsx ，加几个计数器的事，当然这样没有排序，但可以不同客户编号用不同输出

或者倒入 sqlite ，后面就不用说了

然后说这段代码
1.sort_values 应该加上 ignore_index=True ，重排 index
2.你这个完全可以用 groupby ，不用 sort ，2000w 条为了分编号 sort 没必要
3.有个 more_itertools.chunked ，不用自己算切片
4.也可以用 while + dataframe.head ，每次 drop 已完成的部分

看整个流程关键点是排序，而且你这个也仅仅是客户编号排序而已，如果这不是必须的，选择方式就很多了

[volvo007]

@jiminjohn0402 这个速度非常不正常，可能的话再多给一些数据结构的信息吧，或者直接上代码，做个列名的脱敏处理。30 个文件，每个才 100 M ，这种估计 2-5 分钟完成比较正常