Pandas read_csv：low_memory 和 dtype 选项
- 2025-01-03 08:41:00
- admin 原创
- 274
问题描述：
df = pd.read_csv('somefile.csv')
...出现错误：
.../site-packages/pandas/io/parsers.py:1130: DtypeWarning: 列 (4,5,7,16) 具有混合类型。导入时指定 dtype 选项或设置 low_memory=False。
为什么该dtype选项与相关low_memory，以及为什么可能会有low_memory=False帮助？
解决方案 1：
已弃用的 low_memory 选项
该low_memory选项没有被适当弃用，但应该被弃用，因为它实际上并没有做任何不同的事情[来源]
收到此low_memory警告的原因在于猜测每列的数据类型非常耗费内存。Pandas 会尝试通过分析每列中的数据来确定要设置的数据类型。
数据类型猜测（非常糟糕）
只有在读取整个文件后，Pandas 才能确定列应具有什么数据类型。这意味着在读取整个文件之前无法真正解析任何内容，除非您在读取最后一个值时冒险更改该列的数据类型。
考虑一个文件的示例，该文件有一列名为 user_id。它包含 1000 万行，其中 user_id 始终为数字。由于 pandas 无法知道它只是数字，因此它可能会将其保留为原始字符串，直到读取整个文件为止。
指定数据类型（应该始终完成）
添加
dtype={'user_id': int}
该pd.read_csv()调用将使 pandas 知道何时开始读取文件，这只是整数。
还值得注意的是，如果文件的最后一行写入了"foobar"该列user_id，则如果指定了上述 dtype，加载就会崩溃。
定义 dtype 时损坏的数据示例
import pandas as pd
try:
from StringIO import StringIO
except ImportError:
from io import StringIO
csvdata = """user_id,username
1,Alice
3,Bob
foobar,Caesar"""
sio = StringIO(csvdata)
pd.read_csv(sio, dtype={"user_id": int, "username": "string"})
ValueError: invalid literal for long() with base 10: 'foobar'
dtypes 通常是 numpy 的东西，在这里阅读更多关于它们的信息：
http://docs.scipy.org/doc/numpy/reference/generated/numpy.dtype.html
存在哪些数据类型？
我们可以访问 numpy dtypes：float、int、bool、timedelta64[ns] 和 datetime64[ns]。请注意，numpy 日期/时间 dtypes 不支持时区。
Pandas 用自己的数据类型扩展了这组数据类型：
'datetime64[ns, <tz>]'这是一个时区感知的时间戳。
“类别”本质上是一个枚举（用整数键表示的字符串来保存
'period[]' 不要与 timedelta 混淆，这些对象实际上锚定在特定的时间段
'Sparse'、'Sparse[int]'、'Sparse[float]' 用于稀疏数据或“其中存在大量漏洞的数据”，它不会在数据框中保存 NaN 或 None，而是省略对象，从而节省空间。
“间隔”本身就是一个主题，但其主要用途是索引。更多内容请见此处
'Int8'、'Int16'、'Int32'、'Int64'、'UInt8'、'UInt16'、'UInt32'、'UInt64' 都是 pandas 特定的可空整数，与 numpy 变体不同。
“string” 是一种用于处理字符串数据的特定数据类型，可以访问.str系列上的属性。
“boolean” 与 numpy 的“bool”类似，但它也支持缺失数据。
在这里阅读完整的参考资料：
Pandas 数据类型参考
陷阱、警告、说明
设置dtype=object将会消除上述警告，但不会使其更节省内存，只会提高进程效率。
设置dtype=unicode不会执行任何操作，因为对于 numpy 来说，aunicode表示为object。
转换器的使用
@sparrow 正确地指出了转换器的用法，以避免 pandas 在遇到'foobar'指定为 的列时崩溃int。我想补充一点，转换器在 pandas 中使用起来确实很重而且效率低下，应该作为最后的手段。这是因为 read_csv 过程是一个单一过程。
CSV 文件可以逐行处理，因此只需将文件切分为多个部分并运行多个进程，即可更高效地由多个转换器并行处理，而 Pandas 不支持此功能。但这是另一个故事。
解决方案 2：
尝试：
dashboard_df = pd.read_csv(p_file, sep=',', error_bad_lines=False, index_col=False, dtype='unicode')
根据熊猫文档：
dtype ：列的类型名称或字典 -> 类型
至于 low_memory，默认情况下它为 True ，并且尚未记录。不过我认为它并不相关。错误消息是通用的，所以你无论如何都不需要处理 low_memory。希望这能有所帮助，如果您有其他问题，请告诉我
解决方案 3：
df = pd.read_csv('somefile.csv', low_memory=False)
这应该可以解决问题。当我从 CSV 读取 1.8M 行时，我遇到了完全相同的错误。
解决方案 4：
这对我有用！
file = pd.read_csv('example.csv', engine='python')
解决方案 5：
正如 firelynx 之前提到的，如果明确指定了 dtype，并且存在与该 dtype 不兼容的混合数据，则加载将崩溃。我使用这样的转换器作为解决方法来更改具有不兼容数据类型的值，以便仍然可以加载数据。
def conv(val):
if not val:
return 0
try:
return np.float64(val)
except:
return np.float64(0)
df = pd.read_csv(csv_file,converters={'COL_A':conv,'COL_B':conv})
解决方案 6：
它在导入 DataFrame 时对我有用low_memory = False。这就是对我有用的所有更改：
df = pd.read_csv('export4_16.csv',low_memory=False)
解决方案 7：
在处理大型 csv 文件（600 万行）时，我遇到了类似的问题。我遇到了三个问题：
该文件包含奇怪的字符（使用编码修复）
未指定数据类型（使用 dtype 属性修复）
使用上述方法我仍然面临一个与无法根据文件名定义的 file_format 相关的问题（使用 try.. except.. 修复）
df = pd.read_csv(csv_file,sep=';', encoding = 'ISO-8859-1',
names=['permission','owner_name','group_name','size','ctime','mtime','atime','filename','full_filename'],
dtype={'permission':str,'owner_name':str,'group_name':str,'size':str,'ctime':object,'mtime':object,'atime':object,'filename':str,'full_filename':str,'first_date':object,'last_date':object})
try:
df['file_format'] = [Path(f).suffix[1:] for f in df.filename.tolist()]
except:
df['file_format'] = ''
解决方案 8：
有时候，当所有其他方法都失败时，你只想告诉熊猫闭嘴：
# Ignore DtypeWarnings from pandas' read_csv
warnings.filterwarnings('ignore', message="^Columns.*")
解决方案 9：
根据pandas 文档，low_memory=False只要指定engine='c'（这是默认值）就是该问题的合理解决方案。
如果low_memory=False，则将首先读入整个列，然后确定适当的类型。例如，将根据需要将列保留为对象（字符串）以保存信息。
如果low_memory=True(默认)，则 pandas 会以行块的形式读取数据，然后将它们附加在一起。然后，某些列可能看起来像是混合的整数和字符串块，这取决于 pandas 在块期间是否遇到任何无法转换为整数的内容 (比如说)。这可能会在以后引起问题。警告告诉您这种情况在读取过程中至少发生过一次，因此您应该小心。设置low_memory=False将使用更多内存，但可以避免出现问题。
就我个人而言，我认为low_memory=True这是一种糟糕的默认设置，但我的工作领域使用的小数据集比大数据集多得多，因此便利性比效率更重要。
以下代码说明了设置了 并且列包含混合类型的示例low_memory=True。它基于 @firelynx 的答案
import pandas as pd
try:
from StringIO import StringIO
except ImportError:
from io import StringIO
# make a big csv data file, following earlier approach by @firelynx
csvdata = """1,Alice
2,Bob
3,Caesar
"""
# we have to replicate the "integer column" user_id many many times to get
# pd.read_csv to actually chunk read. otherwise it just reads
# the whole thing in one chunk, because it's faster, and we don't get any
# "mixed dtype" issue. the 100000 below was chosen by experimentation.
csvdatafull = ""
for i in range(100000):
csvdatafull = csvdatafull + csvdata
csvdatafull = csvdatafull + "foobar,Cthlulu
"
csvdatafull = "user_id,username
" + csvdatafull
sio = StringIO(csvdatafull)
# the following line gives me the warning:
# C:Users
disaanaconda3libsite-packagesIPythoncoreinteractiveshell.py:3072: DtypeWarning: Columns (0) have mixed types.Specify dtype option on import or set low_memory=False.
# interactivity=interactivity, compiler=compiler, result=result)
# but it does not always give me the warning, so i guess the internal workings of read_csv depend on background factors
x = pd.read_csv(sio, low_memory=True) #, dtype={"user_id": int, "username": "string"})
x.dtypes
# this gives:
# Out[69]:
# user_id object
# username object
# dtype: object
type(x['user_id'].iloc[0]) # int
type(x['user_id'].iloc[1]) # int
type(x['user_id'].iloc[2]) # int
type(x['user_id'].iloc[10000]) # int
type(x['user_id'].iloc[299999]) # str !!!! (even though it's a number! so this chunk must have been read in as strings)
type(x['user_id'].iloc[300000]) # str !!!!!
另外：举个例子来说明这是一个问题（也是我第一次遇到的严重问题），假设你运行了pd.read_csv()一个文件，然后想根据标识符删除重复项。假设标识符有时是数字，有时是字符串。一行可能是“81287”，另一行可能是“97324-32”。但它们仍然是唯一的标识符。
使用low_memory=True，pandas 可能会像这样读取标识符列：
81287
81287
81287
81287
81287
"81287"
"81287"
"81287"
"81287"
"97324-32"
"97324-32"
"97324-32"
"97324-32"
"97324-32"
因为它会分块，所以标识符 81287 有时是一个数字，有时是一个字符串。当我尝试根据这个删除重复项时，嗯，
81287 == "81287"
Out[98]: False
解决方案 10：
正如错误所说，你应该在使用该read_csv()方法时指定数据类型。因此，你应该写
file = pd.read_csv('example.csv', dtype='unicode')
解决方案 11：
我遇到了一个类似的问题，文件大小约为 400MB。设置low_memory=False对我来说很管用。先做简单的事情，我会检查你的数据框是否不大于你的系统内存，重新启动，清除 RAM 然后再继续。如果你仍然遇到错误，那么值得确保你的.csv文件没有问题，快速查看 Excel 并确保没有明显的损坏。损坏的原始数据会造成严重破坏……
解决方案 12：
根据 Jerald Achaibar 给出的答案，我们可以检测到混合 Dytpes 警告，并且仅在出现警告时使用较慢的 python 引擎：
import warnings
# Force mixed datatype warning to be a python error so we can catch it and reattempt the
# load using the slower python engine
warnings.simplefilter('error', pandas.errors.DtypeWarning)
try:
df = pandas.read_csv(path, sep=sep, encoding=encoding)
except pandas.errors.DtypeWarning:
df = pandas.read_csv(path, sep=sep, encoding=encoding, engine="python")
解决方案 13：
这对我有用！
dashboard_df = pd.read_csv(p_file, sep=';', error_bad_lines=False, index_col=False, dtype='unicode')
