Ordonner un très gros fichier .csv par ordre croissant d'une colonne [Résolu/Fermé]

Question

Ordonner un très gros fichier .csv par ordre croissant d'une colonne [Résolu/Fermé]

Signaler

Kikumachi - 4 févr. 2019 à 09:55
Kikumachi - 5 févr. 2019 à 11:17

Bonjour,

J'ai un fichier .csv dont l'une des colonnes stocke des identifiants numériques (du genre '331506924', '442109275', etc.) et, n'étant pas très familier avec les méthodes d'édition de fichiers par algorithme, je voudrais savoir s'il existe une méthode (rapide ?) pour ordonner ce fichier par ordre croissant des identifiants.

Le problème, c'est que ce fichier est absolument énorme (plus de 30 millions de lignes), je ne peux donc pas le traiter dans son entièreté avec un logiciel tableur type Excel ou LibreOffice Calc car leur capacité mémoire sature au bout d'un million de lignes.

Dans l'idéal, existe-t-il un tableur capable de gérer d'énormes quantités de données et qui possède une fonction interne de tri selon une colonne ? Ou bien, existe-t-il un programme Python capable de réaliser cette tâche ?

Merci d'avance pour votre réponse.

Cordialement,

Afficher la suite

A voir également:

Ordonner un très gros fichier .csv par ordre croissant d'une colonne
Ordonner un très gros fichier .csv par ordre croissant d'une colonne ✓ - Forum - Python
Fichier csv - Articles
Lire fichier csv python - Conseils pratiques - Python
Ouvrir fichier csv ✓ - Forum - Windows
Découper un fichier csv volumineux - Forum - Bureautique

1 réponse

Posez votre question

[Dal] · Accepted Answer · 2019-02-04T12:51:05+0100

Réponse 1 / 1

[Dal]

Messages postés: 10795
Date d'inscription: mercredi 15 septembre 2004
Statut: Contributeur
Dernière intervention: 7 mai 2020

874
Modifié le 4 févr. 2019 à 12:51

Salut Kikumachi,

Tu devrais utiliser la bibliothèque

pandas

de Python.

Disons que la colonne que tu veux trier est dénommée "col3", que ton fichier de départ est

fichier.csv

, que celui-ci comporte une première colonne dénommée "col1" et que le fichier trié doit être

new.csv

.

Le script Python pour lire le fichier csv, le trier et sauvegarder une version triée serait :

import pandas

df = pandas.read_csv('fichier.csv', index_col='col1')
df = df.sort_values(by=['col3'], ascending=True)
df.to_csv('new.csv')

Dal

Afficher les 8 commentaires

Signaler

Kikumachi
4 févr. 2019 à 14:18

C'est étrange, car lorsque je lance le script, j'obtiens l'erreur suivante :

Traceback (most recent call last):

  File "<ipython-input-12-8d041d40c960>", line 1, in <module>
    runfile('C:\TraitementCRA.py', wdir=C:\')

  File "C:\ProgramData\Anaconda3\lib\site-packages\spyder_kernels\customize\spydercustomize.py", line 704, in runfile
    execfile(filename, namespace)

  File "C:\ProgramData\Anaconda3\lib\site-packages\spyder_kernels\customize\spydercustomize.py", line 108, in execfile
    exec(compile(f.read(), filename, 'exec'), namespace)

  File "C:\TraitementCRA.py", line 15, in <module>
    df = pandas.read_csv('U:\CRANonSynthetique.csv', index_col='IDENTIFIANT')

  File "C:\ProgramData\Anaconda3\lib\site-packages\pandas\io\parsers.py", line 678, in parser_f
    return _read(filepath_or_buffer, kwds)

  File "C:\ProgramData\Anaconda3\lib\site-packages\pandas\io\parsers.py", line 446, in _read
    data = parser.read(nrows)

  File "C:\ProgramData\Anaconda3\lib\site-packages\pandas\io\parsers.py", line 1036, in read
    ret = self._engine.read(nrows)

  File "C:\ProgramData\Anaconda3\lib\site-packages\pandas\io\parsers.py", line 1922, in read
    index, names = self._make_index(data, alldata, names)

  File "C:\ProgramData\Anaconda3\lib\site-packages\pandas\io\parsers.py", line 1425, in _make_index
    index = self._get_simple_index(alldata, columns)

  File "C:\ProgramData\Anaconda3\lib\site-packages\pandas\io\parsers.py", line 1457, in _get_simple_index
    i = ix(idx)

  File "C:\ProgramData\Anaconda3\lib\site-packages\pandas\io\parsers.py", line 1452, in ix
    raise ValueError('Index %s invalid' % col)

ValueError: Index IDENTIFIANT invalid

Pour vous donner une idée, voilà à quoi ressemble le début de mon fichier .csv :

IDENTIFIANT;DATE;LONGITUDE;LATITUDE;TYPE
33607456106;2007-09-03 14:25:48;1.21701;49.3874;OC
33607456600;2007-09-03 12:18:51;2.32809;48.8574;IC
33607415410;2007-09-03 15:56:22;1.92624;48.5505;OC
33607415410;2007-09-03 16:31:21;2.10017;48.7957;IC
33607417591;2007-09-03 12:43:57;2.39867;48.8448;OC
33607417591;2007-09-03 12:45:16;2.39867;48.8448;IC
33607411232;2007-09-03 11:38:05;2.34388;48.9211;IC
33607411232;2007-09-03 14:04:24;2.34388;48.9211;IC
33607411232;2007-09-03 16:51:13;2.34388;48.9211;OC
33607411232;2007-09-03 16:52:04;2.34388;48.9211;IC
33607411232;2007-09-03 17:17:42;2.32644;48.8758;OC
33607410359;2007-09-03 13:32:49;2.31767;48.9023;OC
33607410359;2007-09-03 14:02:26;2.31767;48.9023;OC
33607410359;2007-09-03 14:03:51;2.31767;48.9023;OC
33607410359;2007-09-03 14:04:56;2.31767;48.9023;OC
33607410359;2007-09-03 14:06:00;2.31767;48.9023;OC
33607410359;2007-09-03 14:07:25;2.31767;48.9023;OC
33607419125;2007-09-03 14:11:47;2.42523;48.8521;OC
33607419125;2007-09-03 15:21:00;2.4252;48.8492;IC

Signaler

Kikumachi
4 févr. 2019 à 15:38

Après vérification, j'avais oublié de rajouter "delimiter = ';'" dans le script.

Je l'ai fait tourner et c'est bon, merci beaucoup pour votre aide !

Signaler

[Dal]

Messages postés: 10795
Date d'inscription: mercredi 15 septembre 2004
Statut: Contributeur
Dernière intervention: 7 mai 2020

874
4 févr. 2019 à 16:15

de rien, bravo !

effectivement, par défaut, pandas utilise le délimiteur virgule

pour le format CSV (CSV signifiant d'ailleurs "comma separated values")

Signaler

Kikumachi
Modifié le 4 févr. 2019 à 16:36

Merci encore !

Après, une autre question que je me pose : est-il possible de réaliser plusieurs tris de façon successive ?

Par exemple, vous pouvez observer que j'ai une colonne avec des valeurs temporelles (la colonne "DATE", remplie avec des sortes de timestamps). Si je voulais par exemple trier par ordre croissant d'identifiant, et que chaque groupe de lignes associé à un identifiant soit trié par ordre chronologique (timestamp croissant), devrais-je procéder de la façon suivante ?

- Faire un script capable de trier par ordre chronologique pour tous les identifiants et avoir un fichier trié par timestamp croissant, mais avec des identifiants mélangés
- Refaire un tri avec le script utilisé, de façon à ce que les lignes soient retriées par identifiant croissant tout en préservant implicitement le tri chronologique.

Merci d'avance

Signaler

[Dal]

Messages postés: 10795
Date d'inscription: mercredi 15 septembre 2004
Statut: Contributeur
Dernière intervention: 7 mai 2020

874
Modifié le 5 févr. 2019 à 10:13

Non, tu peux directement faire des tris sur plusieurs colonnes avec pandas.

Comme cela :

df = df.sort_values(['IDENTIFIANT', 'DATE'], ascending=[True, True])

Signaler

Kikumachi
5 févr. 2019 à 11:17

Je viens de tester et c'est exactement ce que je voulais, merci beaucoup !

Votre réponse