使用大csv（iterate和chunksize）的pandas结构

Question

我有一个很大的csv文件，大约600mb，有1100万行，我想创建统计数据，例如数据透视图，直方图，图形等。显然，试图正常读取它是：

df = pd.read_csv('Check400_900.csv', sep='\t')

不起作用，所以我在类似的帖子中发现了迭代和块大小，所以我使用了

df = pd.read_csv('Check1_900.csv', sep='\t', iterator=True, chunksize=1000)

一切都很好，例如，我可以print df.get_chunk(5) 只搜索整个文件

for chunk in df:
    print chunk

我的问题是我不知道如何在整个df中使用以下这些东西，而不仅仅是一个

plt.plot()
print df.head()
print df.describe()
print df.dtypes
customer_group3 = df.groupby('UserID')
y3 = customer_group.size()

我希望我的问题不要那么混乱

Answer 1

解决方案，如果需要一次创建一个大文件，DataFrame如果需要一次处理所有数据（可能，但不推荐）：

然后将concat用于df的所有块，因为函数的输出类型为：

df = pd.read_csv('Check1_900.csv', sep='\t', iterator=True, chunksize=1000)

是不是数据帧，而是pandas.io.parsers.TextFileReader-源。

tp = pd.read_csv('Check1_900.csv', sep='\t', iterator=True, chunksize=1000)
print tp
#<pandas.io.parsers.TextFileReader object at 0x00000000150E0048>
df = pd.concat(tp, ignore_index=True)

我认为有必要在函数中添加参数忽略索引concat，因为避免了索引的重复。

编辑：

但是如果要处理诸如聚合之类的大数据，最好使用dask，因为它提供了高级并行性。