直接用pd.read_csv()加载超大CSV易触发MemoryError，因pandas默认全量加载且不优化dtype和usecols；正确做法是用chunksize配合迭代、指定dtype/usecols、流式处理每块并及时释放内存。
直接用 pd.read_csv() 加载超大 CSV 文件，99% 的情况会触发 MemoryError —— 不是因为你机器内存小，而是 pandas 默认行为本身就在制造内存浪费。
chunksize 不是开关，是手动档：必须显式迭代才能真正分块
pd.read_csv(filename, chunksize=N) 返回的是 TextFileReader 对象，它只是一个可迭代器，不是 DataFrame。很多人写了这行就以为“已经分块了”，结果后续代码没触发读取，或者误调 .shape 报错，甚至漏掉第一块数据。
- 错误写法：
reader = pd.read_csv('x.csv', chunksize=5000); print(reader.head())→AttributeError - 正确写法：
for chunk in pd.read_csv('x.csv', chunksize=5000): process(chunk) - 想预览又不破坏迭代？
first_chunk = next(pd.read_csv('x.csv', chunksize=5000))，之后再用新迭代器循环 - 别把
TextFileReader存变量后反复用 —— 它是一次性消耗品，用完即失效
dtype 和 usecols 不是优化项，是内存底线
不指定 dtype，pandas 会把整数列推成 int64、字符串列全塞进 object 类型；不加 usecols，300 列日志里你只用 3 列，却仍加载全部。这两点加起来能让单块内存翻 2–4 倍。
- 常见降内存组合：
dtype={'user_id': 'category', 'score': 'float32', 'status': 'uint8'} - 高基数字符串列（如
user_agent）慎用category，优先试string或pyarrow引擎 -
usecols=['id', 'ts', 'event']能直接砍掉 80%+ 的列加载开销 - 含空值的整数列，不指定
dtype就会被强制升格为float64，单列内存翻倍
别攒 chunk，处理完立刻丢引用
用 list.append(chunk) 或 pd.concat(all_chunks) 累积所有块，等于在内存里重建原始文件 —— 第 3–5 块后必爆。真正的流式处理，是每个 chunk 都闭环：过滤 → 计算 → 写磁盘/数据库，不保留中间 DataFrame。
使用 qbo-mileage CLI 及用户凭证，从 Airtable、Outlook 或 Google Calendar 记录生成 QuickBooks Online 里程 CSV 文件。
立即学习“Python免费学习笔记（深入）”；
- 写 CSV：
chunk.to_csv('out.csv', mode='a', header=first_write)，首次header=True，后续mode='a' - 写数据库：
chunk.to_sql('table', con, if_exists='append', index=False)，确保con是带连接池的 SQLAlchemy 引擎 - 聚合统计？每块只存标量：
sums.append(chunk['val'].sum())，而不是存整个chunk - 大文件下建议加
del chunk和gc.collect()，尤其当 chunk 含长文本或大量重复字符串时
chunksize 值不能拍脑袋，得按实际内存反推
chunksize=10000 在别人机器上跑得动，在你这儿可能单块就占 2GB —— 因为你的 CSV 有 200 字符的描述字段、或上万种城市名。真正靠谱的做法是先测再设。
- 先试读：
df_sample = pd.read_csv('x.csv', nrows=5000) - 算内存：
df_sample.memory_usage(deep=True).sum() / 1024**2（单位 MB） - 若占 120MB，目标单块内存 ≤ 500MB，则合理
chunksize ≈ (500 / 120) * 5000 ≈ 20000 - chunksize 太小（如 100）会导致 I/O 和解析开销暴涨，CPU 100% 卡住；太大则失去分块意义
最易被忽略的一点：跨块逻辑没法自动做。比如全文件 groupby 或 merge，pandas 分块后默认只在当前 chunk 内运算。真要全局聚合，得自己维护状态（如累计 sum 和 count），或提前收集所有唯一键再分批处理——这时候，dask 或 polars 往往比硬改 pandas 更省事。
