說到Python處理大數據集，別說你會用Pandas
說到Python處理大數據集，可能會第一時間想到Numpy或者Pandas。
這兩個庫使用場景有些不同，Numpy擅長于數值計算，因為它基于數組來運算的，數組在內存中的布局非常緊湊，所以計算能力強。但Numpy不適合做數據處理和探索，缺少一些現成的數據處理函數。
而Pandas的特點就是很適合做數據處理，比如讀寫、轉換、連接、去重、分組聚合、時間序列、可視化等等，但Pandas的特點是效率略低，不擅長數值計算。
你可以同時使用Pandas和Numpy分工協作，做數據處理時用Pandas，涉及到運算時用Numpy，它們的數據格式互轉也很方便。
目前前言，最多人使用的Python數據處理庫仍然是pandas，這里重點說說它讀取大數據的一般方式。
Pandas讀取大數據集可以采用chunking分塊讀取的方式，用多少讀取多少，不會太占用內存。
import pandas as pd
# 設置分塊大小，例如每次讀取 10000 行
chunksize = 10000
# 使用 chunksize 參數分塊讀取 CSV 文件
for chunk in pd.read_csv('large_file.csv', chunksize=chunksize):
# 在這里處理每個 chunk，例如打印每行的信息
print(chunk.head()) # 或者其他你需要的操作
# 如果你需要保存或進一步處理每個 chunk 的數據，可以在這里進行
# 例如，你可以將每個 chunk 寫入不同的文件，或者對 chunk 進行某種計算并保存結果但使用分塊讀取時也要注意，不要在循環內部進行大量計算或內存密集型的操作，否則可能會消耗過多的內存或降低性能。
其次你可以考慮使用用Pandas讀取數據庫（如PostgreSQL、SQLite等）或外部存儲（如HDFS、Parquet等），這會大大降低內存的壓力。
盡管如此，Pandas讀取大數據集能力也是有限的，取決于硬件的性能和內存大小，你可以嘗試使用PySpark，它是Spark的python api接口。
PySpark提供了類似Pandas DataFrame的數據格式，你可以使用toPandas() 的方法，將 PySpark DataFrame 轉換為 pandas DataFrame，但需要注意的是，這可能會將所有數據加載到單個節點的內存中，因此對于非常大的數據集可能不可行）。
相反，你也可以使用 createDataFrame() 方法從 pandas DataFrame 創建一個 PySpark DataFrame。
PySpark處理大數據的好處是它是一個分布式計算機系統，可以將數據和計算分布到多個節點上，能突破你的單機內存限制。
其次，PySpark采用懶執行方式，需要結果時才執行計算，其他時候不執行，這樣會大大提升大數據處理的效率。
from pyspark.sql import SparkSession
# 創建一個 SparkSession 對象
spark = SparkSession.builder \
.appName("Big Data Processing with PySpark") \
.getOrCreate()
# 讀取 CSV 文件
# 假設 CSV 文件名為 data.csv，并且有一個名為 'header' 的表頭
# 你需要根據你的 CSV 文件的實際情況修改這些參數
df = spark.read.csv("path_to_your_csv_file/data.csv", header=True, inferSchema=True)
# 顯示數據集的前幾行
df.show(5)
# 對數據進行一些轉換
# 例如，我們可以選擇某些列，并對它們應用一些函數
# 假設我們有一個名為 'salary' 的列，并且我們想要增加它的值（僅作為示例）
df_transformed = df.withColumn("salary_increased", df["salary"] * 1.1)
# 顯示轉換后的數據集的前幾行
df_transformed.show(5)
# 將結果保存到新的 CSV 文件中
# 注意：Spark 默認不會保存表頭到 CSV，你可能需要手動處理這個問題
df_transformed.write.csv("path_to_save_transformed_csv/transformed_data", header=True)
# 停止 SparkSession
spark.stop()如果你不會使用PySpark，可以考慮Pandas的拓展庫，比如modin、dask、polars等，它們提供了類似pandas的數據類型和函數接口，但使用多進程、分布式等方式來處理大數據集。
modin庫
import modin.pandas as pd
# 讀取 CSV 文件
df = pd.read_csv('path_to_your_csv_file.csv')
# 顯示前幾行
print(df.head())Dask庫
import dask.dataframe as dd
# 讀取 CSV 文件
df = dd.read_csv('path_to_your_csv_file.csv')
# 觸發計算并顯示前幾行（注意這里使用的是 compute 方法）
print(df.head().compute())Polars庫
import polars as pl
# 讀取 CSV 文件
df = pl.read_csv('path_to_your_csv_file.csv')
# 顯示前幾行
print(df.head())這幾個庫的好處是，使用成本很低，基本和pandas操作方式一樣，但又能很好的處理大數據。
所以說Pandas是完全能勝任處理大數據集的，它目前的周邊生態庫非常豐富。
