利用python处理两千万条数据的一些经验（仅供自己记录）

5.3老板交给我一个任务，简单处理一些数据，三个CSV文件，每个都是2.3G大小，以下是要求

看着觉得很easy，兴冲冲地去搞了，当时还是用的notepad 写python代码，对于python来说，表里面的要求利用分片，替换等都可以完成，只剩下最后的滤重比较麻烦，想来想去，用了最笨的方法，遍历，还是两重的，时间复杂度瞬间飙到了n平方，代码跑了一晚上，还没跑出结果，于是放弃这个蠢办法，查了查数据清洗常用工具，发现有excel，于是尝试用excel解决问题，先根据需要滤重的三个属性进行排序，之后根据三个属性上下相邻的两个两行是否相同添加了新的一列，有重复则赋值TRUE，没有则赋值FALSE，保存之后，再利用python读取处理，凡是TRUE的直接略过，只处理FALSE的，自以为很聪明的解决了问题，结果发给老板，后来想起来打开excel的时候提示我“可能会损失部分数据”，而且查到了excel现在只能显示1048567条数据，所以想看看到底丢了多少条，用python读取之后，发现原文件有近两千万条数据，而我只处理了104万条，周末就上网查了很多资料，python的pandas库适合用来做数据处理，用import导入pandas库失败之后，下载安装了Anaconda，搭好环境之后（详情请见：https://www.zhihu.com/question/58033789）

按照正常思路，肯定是先去重再处理（去重可以去掉一半多数据），我将去重分成两步，先将所有属性全相同的去重之后再按照指定属性去重，然后按照要求对每一行数据进行处理，最后写出，后来看了pandas库的用法，里面的DataFrame有列名，而我的原始数据没有列名，所以我先将原始文件利用python的读取CSV文件读出来，判断是否是“脏”数据之后，存入一个list里（rows=[]）,写入目标文件时，先将列名写入，然后将list写入，后来发现每次运行这个程序，电脑就卡死，清理了半天电脑之后发现还是如此，后来意识到可能是因为数据量太大，rows占了太多内存导致电脑卡死，所以想到了办法：先打开目标文件，写入列名，再打开原始文件，按行读取，按照条件判断这一行是否为“脏”数据，不是的话再按照上面表格里的要求进行处理，之后按行写入目标文件，这样一来，电脑内存占用率下降，电脑也就不会卡了，最后再将初步处理过的文件利用pandas打开，利用其中的DataFrame数据结构的方法进行去重，两千万条的数据五分钟之内处理完成，以下为源代码：

1. import csv
2. rows=[]
3. with open(r'C:\Users\Hanju\Desktop\uploadPortal(5).csv','w', newline='') as _csvfile:
4. writer = csv.writer(_csvfile)
5. #先写入columns_name
6. writer.writerow(['Dev_mac','Action','User_mac','User_mac_head','Bssid','WiFi','Time','Date'])
7. i=0
8. with open(r'D:\UploadPortalData\uploadPortal (5).csv',encoding='UTF-8') as csvfile:
9. readCSV=csv.reader(csvfile,delimiter=',')
10. for row in readCSV:
11. if(len(row)!=8):
12. continue
13. row1=[]
14. i =1
15. row1.append(row[0].replace(':','')[-5:])
17. if row[2]=='auth':
18. row1.append('1')
19. elif row[2]=='deauth':
20. row1.append('2')
21. elif row[2]=='portal':
22. row1.append('3')
23. elif row[2]=='portalauth':
24. row1.append('4')
26. row1.append(str(row[3].replace(':','')))
27. row1.append(str(row[3].replace(':','')[0:6]))
29. if row[0]==row[4]:
30. row1.append('2')
31. else:
32. row1.append('5')
34. if 'City-WiFi-5G' in row[5]:
35. row1.append('2')
36. elif 'City-WiFi' in row[5]:
37. row1.append('1')
38. else:
39. row1.append('0')
41. row1.append(float(row[6])/86400.0-2.0/3.0 719530.0)
43. row1.append(row[7])
45. writer.writerow(row1)
47. print('Done')
48. print(i)
50. import pandas as pd
51. df=pd.read_csv(r'C:\Users\Hanju\Desktop\uploadPortal(5).csv')
52. #print(df.head())
53. #print(df.tail())
54. print(df.shape)
55. New_df=df.drop_duplicates(['Action','User_mac','Time'])
56. print(New_df.shape)
57. #print(New_df.head())
58. #print(New_df.tail())
59. New_df.to_csv(r'C:\Users\Hanju\Desktop\uploadPortal(5)_Final.csv')
60. print('Done')

为了查看去重效果，加了几个输出

在这挖一个坑，其实还是应该先去重再处理会更省时间，但是目前还没有想到更好的办法，以后想到了再来更新，还是要再看看pandas库，实在太强大，不得不服

下面贴一部分原始数据：

F0:AC:D7:73:11:EC,d93004d3-2164-44a0-b4fc-f5adfcf56207,portal,3C:A3:48:45:EA:5E,F0:AC:D7:73:11:EC,City-WiFi,1524813532,20180427

F0:AC:D7:73:11:EC,d93004d3-2164-44a0-b4fc-f5adfcf56207,portal,3C:A3:48:45:EA:5E,F0:AC:D7:73:11:EC,City-WiFi,1524813532,20180427
F0:AC:D7:73:11:EC,d93004d3-2164-44a0-b4fc-f5adfcf56207,portal,3C:A3:48:45:EA:5E,F0:AC:D7:73:11:EC,City-WiFi,1524813532,20180427
F0:AC:D7:73:11:EC,d93004d3-2164-44a0-b4fc-f5adfcf56207,portal,3C:A3:48:45:EA:5E,F0:AC:D7:73:11:EC,City-WiFi,1524813532,20180427
F0:AC:D7:73:11:EC,d93004d3-2164-44a0-b4fc-f5adfcf56207,portal,3C:A3:48:45:EA:5E,F0:AC:D7:73:11:EC,City-WiFi,1524813532,20180427

这是处理后的部分数据：

,Dev_mac,Action,User_mac,User_mac_head,Bssid,WiFi,Time,Date
0,311EC,3,3CA34845EA5E,3CA348,2,1,737177.6381018519,20180427
17,311EC,1,F42981BEF089,F42981,2,1,737177.6349074075,20180427
18,311EC,2,F42981BEF089,F42981,2,1,737177.6349074075,20180427
19,311EC,1,F42981BEF089,F42981,2,1,737177.6349189816,20180427
20,311EC,1,3CA34845EA5E,3CA348,2,1,737177.6349421295,20180427

就用这个不算完善的结果来作为我CSDN博客的处女作吧，毕竟，终于动手写了一篇，虽然都是流水账，可能对别人没有多大参考价值，以后的博客多写一些遇到的坑及解决办法吧，做些记录的同时也有可能对别人有所帮助，毕竟我自己遇到的好多问题都是参考了很多博主的文章得以解决的，就到这里吧！