关于 pandas 读取文件的问题

[RicardoScofileld]

现有一个贼鸡儿大的文件，想要用 pandas 读取，文件是个是 str|str|str|str|str，用 pandas.read_table(path,header=None,sep='|')进行读取,但是文件里有一些脏数据，比如 str 中含有这|字符，所以用读取的时候老是异常，很蛋疼所以写了函数，进行处理，但是感觉好像有点蠢，各位大手子有没有什么别的方法。

这个是处理异常的函数，文件有 4 个多 G，用我这种方式要读到猴年马月了

def read_file(path):
    flag = True
    ignore_lines = []
    while flag:
        try:
            data = pd.read_table(path, header=None, sep='|', skiprows=ignore_lines)
        except Exception as e:
            error_line = re.search(r'line (\d+)', e.__str__()).group(1)
            ignore_lines.append(int(error_line))
        else:
            flag = Flase
    return data

[vinceguo]

先把脏数据处理掉吧。先把分隔符个数不对的行挑出来写到别的地方，正确的行写到另一个地方

[alexfu]

awk -F"|" 'NF==5{print}' file.txt

可以用 subprocess 直接在 python 里读取结果

[RicardoScofileld]

@vinceguo 主要数据量很大，百万条级别的。

[RicardoScofileld]

@alexfu 是要对数据进行运算的

[jowuIM]

只能先对数据格式进行处理吧, 也就是把脏数据处理掉. 百万条但是却有 4G, 单挑数据应该不小.

[jssyxzy]

感觉应该先处理;
另外数据太大不考虑文件切割开来, 多开几个程序来读?

[vinceguo]

4G 数据能有多大。随便搞搞就好了。要相信电脑的速度

[zzj0311]

4g。。内存都不虚你虚什么

[airqj]

这么点数据用脚本处理再 pandas

[RicardoScofileld]

@vinceguo 靠，文件 4g，读到内存都不止啊，我用 ipython，试着读取，直接进程都崩了

[RicardoScofileld]

@airqj 处理个中间文件，在 pandas ？

[alexfu]

@RicardoScofileld 先用 awk 处理再读进 pandas 啊

[kuhung]

字符问题要考虑下怎么预处理。pandas 读大一点儿的数据，chunk 了解一下。

[alexfu]

@RicardoScofileld 文件切分也可以直接一步做了 `awk -F"|" 'NF==5 && NR%5==1{print}' file.txt ` 这是 5 份中取一份

[janxin]

pandas 如果不做处理，你这种纯字符串文件读出来的内存大小肯定是大于 4G，崩溃看一下是不是 oom，oom 那就是你能用的内存不够了呀

你要做的不是 pandas 读的时候异常就再来一次，因为你的方法会不停尝试 load，建议你最好预处理数据即可，不要尝试反复 load，内存没释放最后也是 oom 了