【python3】提高python处理数据的效率方法
处理大数据的方法有很多，目前我知道就这么多，后面会持续更新：
一、将数据分批次读取
csv格式是常见的数据存储方式，对于我们普通人而言易于读写。此外，在pandas中有pd.read_csv()函数可以将csv形式的数据进行读取。但当csv文件非常大的时候，直接读取会很吃内存，甚至会出现内存不够用的情况。
这时候我们可以 分批次（分块）读取，而不是一次性读取 这么大体量的数据。操作步骤：
- 分批次读取
- 处理每一批次
- 保存每一批次的结果
- 对所有的数据重复步骤1-3
- 将所有的批次结果都结合起来
pd.read_csv(chunksize) 中的chunksize指的的是每一批次的行数
import pandas as pd
chunk_iterator = pd.read_csv("test.vcf",sep="\t", chunksize=10000)
chunk_result_list = []
#每一批次都是dataframe类型
for chunk in chunk_iterator:
#根据你的分析问题，设计自己的chunk_manipulate函数
filter_result = chunk_manipulate(chunk)
chunk_result_list.append(filter_result)
#合并所有批次处理结果，形成新的dataframe
df = pd.concat(chunk_result_list)
二、常用方法读取大型文件
面对100w行的大型数据，经过测试各种文件读取方式，得出结论：
with open(filename,"rb") as f: for fLine in f: pass
这种方式最快，100w行全遍历2.7秒。
基本满足中大型文件处理效率需求。如果rb改为r，慢6倍。但是此方式处理文件，fLine为bytes类型。但是python自行断行，仍旧能很好的以行为单位处理读取内容。
四、文本处理效率问题
这里举例ascii定长文件,因为这个也并不是分隔符文件，所以打算采用列表操作实现数据分割。但是问题是处理20w条数据，时间急剧上升到12s。本以为是byte.decode增加了时间。遂去除decode全程bytes处理。但是发现效率还是很差。
最后用最简单方式测试，首次运行，最简单方式也要7.5秒100w次。
那么关于python处理大文件的技巧，从网络整理三点：列表、文件属性、字典三个点来看看。
1.列表处理
def fun(x): 尽量选择集合、字典数据类型，千万不要选择列表，列表的查询速度会超级慢，同样的，在已经使用集合或字典的情况下，不要再转化成列表进行操作，比如：
2. 对于文件属性
如果遇到某个文件，其中有属性相同的，但又不能进行去重操作，没有办法使用集合或字典时，可以增加属性，比如将原数据重新映射出一列计数属性，让每一条属性具有唯一性，从而可以用字典或集合处理：
3. 对于字典
多使用iteritems()少使用items()，iteritems()返回迭代器：
