环境:win10+python3.6
目的:用pandas读取txt大文件(3百万行)并按某个字段值分成不同的文件txt
#惯例先引入模块
import pandas as pd
#导入数据,open和pd的read_csv那个更效率呢?
#文件在代码文件当前文件夹下,可以不写路径
#用gbk编码读取文本
#该txt文件没有标题header=None,如果第一行是标题,这样设置 header=0
#delimiter = '\t'这是分行号。文件中的分隔符是"|",但没能正确识别出来。
df = pd.read_csv("freelist.txt",encoding="gbk",header=None,delimiter="\t")
print(df.head())
得到的df是有3百万行和一列的数据,如下表:
0
0 20170405|20170405|A01店|10|1143163301|深圳市...
1 20170405|20170405|b01店|10|1143163301|深圳市...
然后给df分列:分割符是 |
df1 = df[0].str.split('|',expand=True)
假设是按店名称分拆txt:
#构建一个列表,临时装载要拆分的店面,下面是怎么把店面都找出来。
q = []
#s是店铺数据集,有大量重复的数字,准备去重
s = df1[3].values
#数据去重
for a in s:
if a not in q:
q.append(a)
#然后呢,根据店面情况拆分txt,并把筛选过后的txt保存到shu/的地方
for b in q:
df1[df1[5]==b].to_csv("shu/"+b+".txt",index=None)
#大功告成,最后可以做个日志文件:
import datetime
#取当前时间
t = datetime.datetime.now()
name = "%04d"%(t.year)+"%02d"%(t.month)+"%02d"%(t.day)
log = open('log'+ name +'.txt','a')
log.write('\n'+ t.strftime("%Y-%m-%d %H:%M:%S") + ' :开始日志')