使用 chunksize 迭代获取推断的数据帧类型

如何使用 pd.read_csv() 迭代地对文件进行分块并 保留数据类型和其他元信息，就像我阅读了整个内容一样 一次数据集？

我需要读取太大而无法装入内存的数据集。我想使用 pd.read_csv 导入文件，然后立即将块附加到 HDFStore 中。然而，数据类型推断对后续块一无所知。

如果表中存储的第一个块仅包含 int，而后续块包含 float，则会引发异常。所以我需要首先使用 read_csv 迭代数据框并保留highest推断类型。此外，对于对象类型，我需要保留最大长度，因为它们将作为字符串存储在表中。

是否有一种只保留这些信息而不读取整个数据集的 pandonic 方法？

我没想到会这么直观，否则我不会发布这个问题。但熊猫再次让事情变得轻而易举。但是，保留这个问题，因为此信息可能对其他处理大数据的人有用：

In [1]: chunker = pd.read_csv('DATASET.csv', chunksize=500, header=0)

# Store the dtypes of each chunk into a list and convert it to a dataframe:

In [2]: dtypes = pd.DataFrame([chunk.dtypes for chunk in chunker])

In [3]: dtypes.values[:5]
Out[3]:
array([[int64, int64, int64, object, int64, int64, int64, int64],
       [int64, int64, int64, int64, int64, int64, int64, int64],
       [int64, int64, int64, int64, int64, int64, int64, int64],
       [int64, int64, int64, int64, int64, int64, int64, int64],
       [int64, int64, int64, int64, int64, int64, int64, int64]], dtype=object)

# Very cool that I can take the max of these data types and it will preserve the hierarchy:

In [4]: dtypes.max().values
Out[4]: array([int64, int64, int64, object, int64, int64, int64, int64], dtype=object)

# I can now store the above into a dictionary:

types = dtypes.max().to_dict()

# And pass it into pd.read_csv fo the second run:

chunker = pd.read_csv('tree_prop_dset.csv', dtype=types, chunksize=500)