Как работает pd.read_csv() и какие параметры помогают с производительностью (chunksize, dtype, usecols)?

pd.read_csv(): параметры производительности

pd.read_csv() — основной способ загрузки табличных данных в Pandas. По умолчанию он читает весь файл целиком, автоматически определяет типы и возвращает DataFrame. На больших файлах это медленно и расточительно по памяти.

usecols — читать только нужные столбцы

Pandas всё равно парсит весь файл построчно, но не держит ненужные столбцы в памяти. Экономия памяти пропорциональна числу отброшенных столбцов.

import pandas as pd

df = pd.read_csv(
    "large_dataset.csv",
    usecols=["id", "amount", "created_at"],
)

dtype — задать типы явно

Автодетект типов — самая затратная часть парсинга. Pandas читает несколько тысяч строк для оценки типа. Явное задание ускоряет загрузку и снижает расход памяти.

df = pd.read_csv(
    "orders.csv",
    dtype={
        "id": "int32",
        "amount": "float32",
        "status": "category",   # строки с малым числом уникальных значений
        "country": "category",
    },
    parse_dates=["created_at"],
)
print(df.dtypes)
print(df.memory_usage(deep=True).sum() / 1e6, "MB")

Тип category для строк с ограниченным числом уникальных значений даёт 5–10x экономию памяти по сравнению с object.

chunksize — итерация по частям

Возвращает TextFileReader — итератор чанков. Каждый чанк — обычный DataFrame. Позволяет обрабатывать файлы, не помещающиеся в RAM.

results = []
chunk_iter = pd.read_csv(
    "huge_log.csv",
    chunksize=100_000,
    usecols=["user_id", "event", "ts"],
    dtype={"user_id": "int32", "event": "category"},
)
for chunk in chunk_iter:
    agg = chunk.groupby("event")["user_id"].nunique()
    results.append(agg)

final = pd.concat(results).groupby(level=0).sum()
print(final)

engine и дополнительные параметры

• engine="pyarrow" — в Pandas 2.0+ значительно быстрее стандартного C-движка на больших файлах.
• engine="c" — дефолт, стабилен.
• low_memory=False — отключает смешанный-тип inference (полезно, если столбец содержит числа и строки).
• nrows=N — читать только первые N строк для разведочного анализа.
• skiprows / skipfooter — пропуск строк в начале/конце.
• na_values — дополнительные строки, считаемые NaN.

# Быстрый профиль памяти до и после оптимизации
df_slow = pd.read_csv("orders.csv")
print("Before:", df_slow.memory_usage(deep=True).sum() / 1e6, "MB")

df_fast = pd.read_csv(
    "orders.csv",
    usecols=["id", "amount", "status"],
    dtype={"id": "int32", "amount": "float32", "status": "category"},
    engine="pyarrow",
)
print("After:", df_fast.memory_usage(deep=True).sum() / 1e6, "MB")

Подводные камни

• Неверный dtype для столбца с NaN: int32 не поддерживает NaN — используйте Int32 (nullable integer) или float32.
• parse_dates=True парсит индекс, а не все столбцы; для столбцов нужен список имён.
• chunksize возвращает итератор, а не DataFrame — нельзя сразу вызвать .shape.
• engine="pyarrow" не поддерживает все параметры (например, skipfooter).
• low_memory=True (дефолт) может давать DtypeWarning для смешанных столбцов — лечится явным dtype.
• Кодировка файла: без явного encoding="utf-8" на Windows может применяться cp1252, ломая кириллицу.
• category тип требует осторожности при конкатенации чанков с разными наборами категорий.

• Объяснять read csv performance только синтаксисом без shape, dtype, состояния или режима выполнения.
• Игнорировать leakage, воспроизводимость, пустые входы и скрытые копии данных.
• Не проверять production-симптомы: latency, память, ретраи, дрейф качества и несовпадение версий.

• Может ли связать read csv performance с реальным контрактом входов и выходов.
• Упоминает ли тесты, метрики, reproducibility и диагностику ошибок.
• Видит ли различие между demo-кодом в ноутбуке и production-пайплайном.