Как читать большой текстовый файл, избегая построчного чтения :: Python

РЕДАКТИРОВАТЬ: Вместо того, чтобы самостоятельно создавать фрагменты, лучше использовать функцию фрагментирования панд, которая намного, намного быстрее, чем load_txt numpy.

import numpy as np
import pandas as pd

## create csv file for testing
np.random.seed(1)
nrows, ncols = 100000, 4
data = np.random.uniform(size=(nrows, ncols))
np.savetxt('bigdata.csv', data, delimiter=',')

## read it back
chunk_rows = 12345
# Replace np.empty by np.memmap array for large datasets.
odata = np.empty((nrows, ncols), dtype=np.float32)
oindex = 0
chunks = pd.read_csv('bigdata.csv', chunksize=chunk_rows, 
                     names=['a', 'b', 'c', 'd'])
for chunk in chunks:
    m, _ = chunk.shape
    odata[oindex:oindex+m, :] = chunk
    oindex += m

# check that it worked correctly.
assert np.allclose(data, odata, atol=1e-7)

Функция pd.read_csv в режиме фрагментирования возвращает специальный объект, который можно использовать в цикле, например for chunk in chunks:; на каждой итерации он будет считывать фрагмент файла и возвращать его содержимое в виде pandas DataFrame, который в этом случае можно рассматривать как массив numpy. Параметр names необходим для предотвращения обработки первой строки CSV-файла как имен столбцов.

Старый ответ ниже

Функция numpy.loadtxt работает с именем файла или чем-то, что будет возвращать строки в цикле в такой конструкции, как:

for line in f: 
   do_something()

Ему даже не нужно притворяться файлом; список строк подойдет!

Мы можем читать фрагменты файла, которые достаточно малы, чтобы поместиться в памяти, и предоставлять пакеты строк для np.loadtxt.

def get_file_lines(fname, seek, maxlen):
    """Read lines from a section of a file.
    
    Parameters:
        
    - fname: filename
    - seek: start position in the file
    - maxlen: maximum length (bytes) to read
    
    Return:
        
    - lines: list of lines (only entire lines).
    - seek_end: seek position at end of this chunk.
    
    Reference: https://stackoverflow.com/a/63043614/6228891
    Copying: any of CC-BY-SA, CC-BY, GPL, BSD, LPGL
    Author: Han-Kwang Nienhuys
    """
    f = open(fname, 'rb') # binary for Windows \r\n line endings
    f.seek(seek)
    buf = f.read(maxlen)
    n = len(buf)
    if n == 0:
        return [], seek
    
    # find a newline near the end
    for i in range(min(10000, n)):
        if buf[-i] == 0x0a:
            # newline
            buflen = n - i + 1
            lines = buf[:buflen].decode('utf-8').split('\n')
            seek_end = seek + buflen
            return lines, seek_end
    else:
        raise ValueError('Could not find end of line')

import numpy as np

## create csv file for testing
np.random.seed(1)
nrows, ncols = 10000, 4

data = np.random.uniform(size=(nrows, ncols))
np.savetxt('bigdata.csv', data, delimiter=',')

# read it back        
fpos = 0
chunksize = 456 # Small value for testing; make this big (megabytes).

# we will store the data here. Replace by memmap array if necessary.
odata = np.empty((nrows, ncols), dtype=np.float32)
oindex = 0

while True:
    lines, fpos = get_file_lines('bigdata.csv', fpos, chunksize)
    if not lines:
        # end of file
        break
    rdata = np.loadtxt(lines, delimiter=',')
    m, _ = rdata.shape
    odata[oindex:oindex+m, :] = rdata
    oindex += m
    
assert np.allclose(data, odata, atol=1e-7)

Отказ от ответственности: я тестировал это в Linux. Я ожидаю, что это будет работать в Windows, но может случиться так, что обработка символов '\r' вызывает проблемы.

Я понимаю, что это не может быть ответом, но рассматривали ли вы возможность использования двоичных файлов? Когда файлы очень большие, сохранение в ascii очень неэффективно. Если можете, используйте вместо этого np.save и np.load.