加快 Pandas 中 csv 文件的条件行读取速度？

Question

我修改了这篇文章中的一行，以有条件地从 csv 文件中读取行：filename=r'C:\Users\Nutzer\Desktop\Projects\UK_Traffic_Data\test.csv' df = (pd.read_csv(filename, error_bad_lines=False) [lambda x: x['Accident_Index'].str.startswith('2005')])这条线对于小型测试数据集来说效果非常好。但是，我确实有一个很大的 csv 文件需要读取，并且读取该文件需要很长时间。事实上，最终还是NotebookApp.iopub_data_rate_limit达到了。我的问题是：有没有办法改进这段代码及其性能？“Accident_Index”列中的记录已排序。因此，如果达到“Accident_Index”不等于的值，则中断读取语句可能是一种解决方案str.startswith('2005')。您对如何做到这一点有什么建议吗？这是一些示例数据：所需的输出应该是包含前六条记录的 pandas 数据框。

Answer 1

我们最初可以根据上述条件仅读取我们想要过滤的特定列（假设这会显着减少读取开销）。

#reading the mask column

df_indx = (pd.read_csv(filename, error_bad_lines=False,usecols=['Accident_Index'])

           [lambda x: x['Accident_Index'].str.startswith('2005')])

然后，我们可以使用该列中的值，使用skiprows和nrows属性从文件中读取剩余的列，因为它们是输入文件中的排序值

df_data= (pd.read_csv(filename,    

         error_bad_lines=False,header=0,skiprows=df_indx.index[0],nrows=df_indx.shape[0]))

df_data.columns=['Accident_index','data']

这将给出我们想要的数据的子集。我们可能不需要单独获取列名。