讲师中心 微信公众号

工具推荐

视频效率加速
AniShort
AniShort

AI短剧协同制作平台

Seko
Seko

AI短剧一键生成成片

立刻MV
立刻MV

低成本歌曲 MV、视频生成

SoundView
SoundView

字幕擦除翻译、配音口型同步

如何高效处理内存受限下的超大CSV文件(10GB+)

浅宇大大_8554

浅宇大大_8554

发布时间:2026-11-19 17:54:11

|

324人浏览过

|

来源于php中文网

原创

如何高效处理内存受限下的超大CSV文件(10GB+)

本文介绍在内存不足时,使用pandas分块读取(chunksize)结合流式聚合策略处理超大CSV文件的最佳实践,覆盖求和、条件过滤、分组统计等核心操作,并对比原生csv模块的轻量级替代方案。

本文介绍在内存不足时,使用pandas分块读取(`chunksize`)结合流式聚合策略处理超大csv文件的最佳实践,覆盖求和、条件过滤、分组统计等核心操作,并对比原生`csv`模块的轻量级替代方案。

当面对10GB级别的CSV文件时,直接调用 pd.read_csv() 极易触发 MemoryError。幸运的是,pandas 提供了 分块迭代(chunking) 机制,配合合理的状态累积逻辑,完全可以在有限内存下完成典型数据分析任务——无需切换技术栈,也无需依赖Spark等重型框架。

✅ 推荐方案:pd.read_csv(chunksize=...) + 增量聚合

这是最平衡、最易维护的 pandas 原生方案。关键在于:不保存完整DataFrame,只在每块中提取所需中间结果,最后合并汇总。

Csv Brain
Csv Brain

加载CSV文件,使用自然语言(英文)提问。通过Anthropic、OpenAI或本地Ollama实现AI驱动的自然语言查询,无需SQL。

下载

? 示例:计算全量 value 列总和

import pandas as pd

total = 0
for chunk in pd.read_csv('large_file.csv', 
                         names=['id', 'value', 'category'],
                         chunksize=50000):  # 每次读5万行(按内存调整)
    total += chunk['value'].sum()
print(f"Total value: {total:.2f}")

? 示例:条件过滤并保存到新文件(避免内存堆积)

# 使用 chunk 过滤并流式写入,不缓存全部匹配行
with open('filtered.csv', 'w', newline='') as f:
    writer = None
    for chunk in pd.read_csv('large_file.csv', 
                             names=['id', 'value', 'category'],
                             chunksize=50000):
        filtered_chunk = chunk[chunk['category'] > 5]
        if writer is None:
            filtered_chunk.to_csv(f, index=False, header=True)
            writer = True
        else:
            filtered_chunk.to_csv(f, index=False, header=False)

? 示例:分组聚合(如按 category 计算 value 均值)

由于均值 = 总和 / 计数,我们需分别累积各组的 sum 和 count:

from collections import defaultdict
import numpy as np

group_sums = defaultdict(float)
group_counts = defaultdict(int)

for chunk in pd.read_csv('large_file.csv',
                         names=['id', 'value', 'category'],
                         chunksize=50000):
    grouped = chunk.groupby('category')['value'].agg(['sum', 'count'])
    for cat, row in grouped.iterrows():
        group_sums[cat] += row['sum']
        group_counts[cat] += row['count']

# 最终计算均值
result = {cat: group_sums[cat] / group_counts[cat] 
          for cat in group_sums}
print("Group means:", {k: round(v, 4) for k, v in result.items()})

⚠️ 注意事项与优化技巧

  • chunksize 并非越大越好:建议从 10000–100000 起步,通过 psutil.virtual_memory() 监控实际内存占用后动态调优;
  • 列选择优先:使用 usecols=['value', 'category'] 显式指定所需列,跳过无关字段可显著降低内存压力;
  • 数据类型精简:通过 dtype={'category': 'uint8'} 等强制小类型,避免默认 int64/float64 浪费空间;
  • 避免 .concat() 全量拼接:如需构建子集DataFrame,优先用 pd.concat(chunks, ignore_index=True) 且控制 chunks 数量(例如仅保留满足条件的前N块);
  • 替代方案权衡:
    • ✅ 纯 csv 模块流式处理:内存开销最低(
    • ⚠️ Dask DataFrame:语法接近pandas,支持并行与磁盘溢出,但引入额外依赖与学习成本;
    • ❌ iterator=True 单行遍历:性能极差,仅作极端场景兜底。

? 总结

对绝大多数内存受限的CSV分析任务,chunksize 分块 + 增量状态管理 是最务实、最可控的解决方案。它充分发挥pandas的向量化优势于每个数据块内,同时规避全局加载瓶颈。只要明确最终目标(是求和?是过滤?是分组?),就能设计出对应的状态变量(标量、字典、列表),让10GB文件像“水流”一样穿过你的程序——安静、高效、零崩溃。

热门AI工具

更多
Atoms
Atoms Hot

Atoms是一款AI智能体工具,第一支自动构建真实业务的 AI 团队。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

墨刀AI
墨刀AI Hot

一款AI图像与设计工具,主要用于产品经理的专属智能体,适合需要提升相关任务效率的用户。

SoundView
SoundView Hot

SoundView是一款面向跨境电商的视频翻译、配音和本地化 AI 创作平台。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

超级简历WonderCV

一款AI办公效率工具,主要用于免费求职简历模版下载制作,应届生职场人必备简历制作神器,适合需要提升相关任务效率的用户。

笔灵降AI

一款AI论文写作工具,主要用于论文降AI神器,适配知网及维普!一键降至安全线,100%保留原文格式;无口语化问题,文风更学术,降后字数控制最佳!,适合需要提升相关任务效率的用户。

蛙蛙写作

一款AI论文写作工具,主要用于超级AI智能写作助手,适合需要提升相关任务效率的用户。

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

1951

2023.07.20

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

5584

2023.07.25

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

1909

2023.07.31

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

34077

2023.08.03

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

3987

2023.08.04

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

3987

2023.08.04

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

1283

2023.08.11

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

636

2023.08.10

GoFrame框架Web开发与路由中间件
GoFrame框架Web开发与路由中间件

本专题聚焦GoFrame框架的Web开发,拆解路由注册与匹配规则、请求参数获取、参数校验与中间件执行顺序,说明统一响应、JWT鉴权、文件上传与接口文档生成的落地方式,并补充优雅重启与测试实践。

20

2026.11.17

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
热门推荐
/
最新课程
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn