pandas處理大文字資料

當資料檔案是百萬級資料時，設定chunksize來分批次處理資料

案例：美國**競選時的資料分析

讀取資料

import numpy as np

import pandas as pd

from pandas import series,dataframe

df1 = pd.read_csv("./usa_election.csv",low_memory=false)

df1.shape

結果：(536041, 16)                          #可以看到資料量為536041

將資料在此進行級聯成更大的文字資料

df =pd.concat([df1,df1,df1,df1])

df.shape

結果：(2144164, 16)

%%time

ret = df.to_csv("./hehe.csv",index = false)

ret將df資料讀取到檔案中，並計算寫入時間

ret = pd.read_csv("./hehe.csv",low_memory = false,chunksize=500000)               

#將寫入的大資料檔案讀出來，low_memory = false表示是否在內部一塊的形式處理檔案，chunksize表示分批次處理檔案，每次處理多少資料

ret讀取的檔案格式是：textfilereader at 0x122f30f0>

新增迴圈，讀出來資料

for x in ret:

print(type(x))

結果：

然後分批次處理資料

# 將str型別的時間轉化成為時間型別的
處理前：
處理後：
處理過程：
months = 
def conver(x):
day,month,year = x.split("-")             #進行切片操作
datatime = "20"+year+"-"+str(months[month])+"-"+day
return  datatime           #對切片重新組合
df1["contb_receipt_dt"] = df1["contb_receipt_dt"].map(conver)
df1["contb_receipt_dt"] = pd.to_datetime(df1["contb_receipt_dt"])                   #轉化成時間格式
累加和的操作
# 累加和
a = np.arange(101)             隨機乙個陣列資料
display(a)
array([  0,   1,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11,  12,

13,  14,  15,  16,  17,  18,  19,  20,  21,  22,  23,  24,  25,
26,  27,  28,  29,  30,  31,  32,  33,  34,  35,  36,  37,  38,
39,  40,  41,  42,  43,  44,  45,  46,  47,  48,  49,  50,  51,
52,  53,  54,  55,  56,  57,  58,  59,  60,  61,  62,  63,  64,
65,  66,  67,  68,  69,  70,  71,  72,  73,  74,  75,  76,  77,
78,  79,  80,  81,  82,  83,  84,  85,  86,  87,  88,  89,  90,
91,  92,  93,  94,  95,  96,  97,  98,  99, 100])
b = a.cumsum()                      #求出該資料的累加和用函式cumsum()

ree=dataframe(b,columns=["num"])               
ree["num"].plot()                  #畫出累加和的那列的圖譜
				
pandas文字資料
文字資料 string型別的性質 string與object的區別 字元訪問方法 string accessor methods，如str.count 會返回相應資料的nullable型別，而object會隨著缺失值的存在而改變返回型別 某些series 法不能在string上使 如 series....
				
Pandas文字資料處理與時間序列
字元文字 pandas提供了一組字串函式，可以方便地對字串資料進行操作。最重要的是，這些函式忽略nan值。以下的這些方法幾乎都支援python內建的字串函式。pandas的一些方法都支援正規表示式，比如下面的replace 可以多多嘗試 xyx。函式名描述 lower 將series index中的...
				
Pandas 文字資料方法 slice
series.str.slice start none,stop none,step none 按下標擷取字串 引數 start 整型或缺省 stop 整型或缺省 step 整型或缺省 returns 序列series 索引index series.str.slice replace start n...