如何在 Pandas read_csv 函数中过滤加载行？

Question

如何使用 Pandas 过滤要加载到内存中的 CSV 行？ 这似乎是一个应该在read_csv找到的read_csv 。 我错过了什么吗？

示例：我们有一个带有时间戳列的 CSV，我们只想加载时间戳大于给定常量的行。

Answer 1

在将 CSV 文件加载到 Pandas 对象之前，没有筛选行的选项。

您可以加载文件，然后使用df[df['field'] > constant]进行过滤，或者如果您有一个非常大的文件并且您担心内存耗尽，则使用迭代器并在连接时应用过滤器您的文件块，例如：

import pandas as pd
iter_csv = pd.read_csv('file.csv', iterator=True, chunksize=1000)
df = pd.concat([chunk[chunk['field'] > constant] for chunk in iter_csv])

你可以改变chunksize以满足您的可用内存。 请参阅此处了解更多详情。

Answer 2

我没有在read_csv上下文中找到一种直接的方法。 但是， read_csv返回一个数据帧，可以通过布尔向量df[bool_vec]选择行来过滤它：

filtered = df[(df['timestamp'] > targettime)]

这是选择 df 中的所有行（假设 df 是任何 DataFrame，例如read_csv调用的结果，它至少包含一个 datetime 列timestamp ），其中timestamp列中的值大于 targettime 的值。 类似的问题。

Answer 3

如果过滤的范围是连续的（通常是使用时间戳（时间戳）过滤器），那么最快的解决方案是对行范围进行硬编码。 只需将skiprows=range(1, start_row)与nrows=end_row参数结合起来。 然后导入需要几秒钟，而接受的解决方案需要几分钟。 考虑到导入时间的节省，使用初始start_row进行的一些实验并不是一个巨大的成本。 请注意，我们使用range(1,..)保留标题行。

Answer 4

已接受答案的替代方法是将 read_csv() 应用于通过过滤输入文件获得的 StringIO。

with open(<file>) as f:
    text = "\n".join([line for line in f if <condition>])

df = pd.read_csv(StringIO(text))

当过滤条件仅保留一小部分行时，此解决方案通常比接受的答案更快

Answer 5

考虑您有以下数据框

+----+--------+
| Id | Name   |
+----+--------+
|  1 | Sarath |
|  2 | Peter  |
|  3 | James  |
+----+--------+

如果您需要过滤Id = 1的记录，则可以使用以下代码。

df = pd.read_csv('Filename.csv', sep = '|')
df = df [(df ["Id"] == 1)]

这将产生以下输出。

+----+--------+
| Id | Name   |
+----+--------+
|  1 | Sarath |
+----+--------+

Answer 6

如果您使用的是 linux，则可以使用 grep。

# to import either on Python2 or Python3
import pandas as pd
from time import time # not needed just for timing
try:
    from StringIO import StringIO
except ImportError:
    from io import StringIO


def zgrep_data(f, string):
    '''grep multiple items f is filepath, string is what you are filtering for'''

    grep = 'grep' # change to zgrep for gzipped files
    print('{} for {} from {}'.format(grep,string,f))
    start_time = time()
    if string == '':
        out = subprocess.check_output([grep, string, f])
        grep_data = StringIO(out)
        data = pd.read_csv(grep_data, sep=',', header=0)

    else:
        # read only the first row to get the columns. May need to change depending on 
        # how the data is stored
        columns = pd.read_csv(f, sep=',', nrows=1, header=None).values.tolist()[0]    

        out = subprocess.check_output([grep, string, f])
        grep_data = StringIO(out)

        data = pd.read_csv(grep_data, sep=',', names=columns, header=None)

    print('{} finished for {} - {} seconds'.format(grep,f,time()-start_time))
    return data

Answer 7

您可以指定nrows参数。

import pandas as pd df = pd.read_csv('file.csv', nrows=100)

此代码在 0.20.3 版本中运行良好。