《Python大规模机器学习》 —2.2.3使用pandas I/O工具

2.2.3使用pandas I/O工具

我们可以使用pandas的read_csv函数替代csv模块。该函数专门用于上传CSV文件，pandas有大量支持多种文件格式的I/O函数，这是其中之一。相关文档资料请查看http://pandas.pydata.org/pandas-docs/stable/io.html。

使用pandas的I/O函数的优点如下：

 如果更改源代码类型，能保持代码一致性，也就是说，只需要重新定义流迭代器。

 支持多种格式，如CSV、普通TXT、HDF、JSON和对特定数据库的SQL查询等。

 数据以DataFrame数据结构的形式流入所需大小的数据块，以便以位置方式或通过调用其标签来访问这些特征，这要用到.loc、.iloc、.ix等典型的pandas数据切割方法。

下面的示例仍然使用与之前相同的方法，但使用pandas的read_csv函数建立流数据:

这里需要注意的是，迭代器是通过指定块大小来实例化的，也就是说，迭代器在每次迭代时必须返回行数。chunksize参数假设值的范围是从1到任何值，但很明显，小批量处理(检索到的块)的大小与可用内存紧密相连，以便在后续预处理阶段中存储和操作它。

将较大数据块调入内存具有的优势仅仅体现在磁盘访问上。根据物理存储特性，较小数据块需要对磁盘进行多次访问，这会花费更长时间来传递数据。然而，从机器学习角度来看，较小或较大的块对Scikit中的非核心学习函数几乎没有影响，因为它们每次只学习一个实例，从而使得它们在计算成本上呈现真正的线性化。