使用Pandas或其他方法比较大量（约40GB）文本数据

Question

我有大量的csv数据，大约40GB大小，我需要处理（我们称之为“body”）。正文中每个文件中的数据都由单列CSV文件组成。每一行都是由单词和短句组成的关键字

Dog
Feeding cat
used cars in Brighton
trips to London
.....

这些数据需要与另一组文件（这个文件大小为7GB，我称之为“Removals”）进行比较，Removals中的任何关键字都需要识别并从正文中删除。清除量的数据类似于体内的数据，即：

Guns
pricless ming vases
trips to London
pasta recipes
........

虽然我有一个方法，将完成工作，这是一个非常缓慢的方法，可能需要一个很好的星期来完成。它是一种多线程方法，其中7GB主体中的每个文件都在for循环中与主体中的文件进行比较。它将删除文件中的列强制转换为列表，然后过滤正文文件以保留不在该列表中的任何行。然后将过滤后的数据附加到输出文件：

def thread_worker(file_):


    removal_path="removal_files"
    allFiles_removals = glob.glob(removal_path + "/*.csv", recursive=True)
    print(allFiles_removals)

    print(file_)
    file_df = pd.read_csv(file_)

    file_df.columns = ['Keyword']

    for removal_file_ in allFiles_removals:

        print(removal_file_)
        vertical_df = pd.read_csv(vertical_file_, header=None)

        vertical_df.columns = ['Keyword']

        vertical_keyword_list = vertical_df['Keyword'].values.tolist()

        file_df = file_df[~file_df['Keyword'].isin(vertical_keyword_list)]


    file_df.to_csv('output.csv',index=False, header=False, mode='a')

很明显，我的主要目的是想办法解决这个问题快一点。是吗熊猫是最好的方法吗？我倾向于在处理CSV文件时默认使用它。你知道吗

Answer 1

你可以这样做：

# read up "removal"  keywords from all CSV files, get rid of duplicates
removals = pd.concat([pd.read_csv(f, sep='~', header=None, names=['Keyword']) for f in removal_files]
                     ignore_index=True).drop_duplicates()


df = pd.DataFrame()
for f in body_files:
    # collect all filtered "body" data (file-by-file)
    df = pd.concat([df,
                    pd.read_csv(f, sep='~', header=None, names=['Keyword']) \
                      .query('Keyword not in @removals.Keyword')],
                   ignore_index=True)