关于 csv 大文件， Python 处理的问题

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

推荐学习书目

› Learn Python the Hard Way

Python Sites

› PyPI - Python Package Index

› http://diveintopython.org/toc/index.html

› Pocoo

值得关注的项目

› PyPy

› Celery

› Jinja2

› Read the Docs

› gevent

› pyenv

› virtualenv

› Stackless Python

› Beautiful Soup

› 结巴中文分词

› Green Unicorn

› Sentry

› Shovel

› Pyflakes

› pytest

Python 编程

› pep8 Checker

Styles

› PEP 8

› Google Python Style Guide

› Code Style from The Hitchhiker's Guide

这是一个创建于 750 天前的主题，其中的信息可能已经有所发展或是发生改变。

之前有个关于一个近 10G 的 csv 文件关键词查询的的需求。文件宽 80 长几千万吧，有各类数据。使用了 pandas 分块处理，最后只弄成搜索一个关键词需要十几分钟。大伙有什么只用 python 能更高效的建议吗？

csv

Python

文件

关键词

27 条回复

leimao

2022-10-18 22:08:51 +08:00 via iPhone

试试 GPU 加速的 rapids

abc612008

2022-10-18 22:10:49 +08:00

转 sqlite 再查?

leimao

2022-10-18 22:11:15 +08:00 via iPhone

另外 CSV 格式应该并不是高效的用于检索的格式，时间复杂度为 O(N)

swulling

2022-10-18 22:12:23 +08:00 via iPhone

转 sqlite 是很好的主意。

dji38838c

2022-10-18 22:17:20 +08:00

把数据导入 BigQuery
用 Python 调 SQL 查询
10G 的表，三十秒够了。

goodboysisme

2022-10-18 22:23:01 +08:00

@dji38838c 搜索了下 BigQuery ，这是云端的吧。这个文档只能在本地断网机子上的，所以行不通

r6cb

2022-10-18 22:44:22 +08:00

spark

hefish

2022-10-18 22:46:13 +08:00

我也觉着转 sqlite 的好，sqlite 不是云端吧？

dlsflh

2022-10-18 22:59:20 +08:00 via Android

有何加速 pandas 的库叫 modin 你看看有没有帮助。

wxf666

2022-10-18 23:07:38 +08:00

转 sqlite 后，用 sqlite 的 FTS5 全文搜索，能满足需求吗？

（ Trigram 分词器支持 3 字及以上的 LIKE '%关键词%' 搜索。
或者，有个号称参考微信 sqlite 优化原理写的 simple 开源分词器，也支持中文分词？）

FYFX

2022-10-18 23:08:32 +08:00

你这主要是查询吧，找个数据库吧

goodboysisme

2022-10-18 23:16:05 +08:00 via iPhone

@abc612008
@hefish
@wxf666
@swulling 谢谢了，过几天周末再试试这个方案

freefcw

2022-10-19 00:07:47 +08:00

还是没搞懂楼主的需求到底是什么,输入是什么,什么一个处理逻辑,输出是什么....

dayeye2006199

2022-10-19 01:26:17 +08:00 via Android

弄个本地的数据库，把数据搞里面。
根据查阅条件研究一下，应该对什么字段做索引比较好。

这么大的 CSV 文件，python 光读到内存里要花的时间就很客观吧。

HankLu

2022-10-19 04:22:37 +08:00

社工？

helloworld000

2022-10-19 04:47:32 +08:00

lz 除了 python ，还知道有个东西叫做数据库吗？

suguo210

2022-10-19 04:54:36 +08:00

https://vaex.io/

wtks1

2022-10-19 08:10:04 +08:00 via Android

直接塞进 sqlite 里，然后用 sql 语句查询

ETiV

2022-10-19 09:36:11 +08:00

不如说说你的具体需求，毕竟直接 load 一个 10GB 的文件进各种本地的、远程的数据库都需要很久的时间。

比如，你提到的「关键词查询」：如果这个查询只跑个 1 、2 次，可以考虑下先 grep ，筛选出能够命中这些关键词的文件内容，再使用这个结果文件处理？

当然如果你这一个 10GB 的文件，需要一直反复的查询，导进数据库里还是最方便的…