Distribution de valeurs avec python

[invitefcabbebf]

Bonjour,

Je n'ai pas de formation pour coder donc j'apprends sur le tas.
J'ai un fichier .csv avec 30 colonnes et 10 000 000 de lignes donc impossible de l'ouvrir sur excel par exemple.
Il n'y a qu'une seule colonne qui m'intéresse, j'ai réussi à l'isoler sur python.
Sur cette liste de 10 000 000 de valeurs, je dois les trier en les classant par groupe de valeurs (par exemple : il y a 100 000 valeurs entre 0 et 1).
Etant données que je dois appliquer cette méthodologie sur une centaine de fichiers, j'ai besoin d'un programme automatique.
J'ai pensé à trouver mes valeurs max vmax et min VMI®®®®n, créer un incrément i (par exemple (vmax-VMI®®®®n)/100)) et créer des groupes de valeurs dont le premier serait les valeurs comprises entre VMI®®®®n et VMI®®®®n + i et ceux jusqu'au groupe dont les valeurs sont comprises entre VMI®®®®n + 99i et VMI®®®®n + 100i (vmax).
Je n'ai aucune idée de comment je peux coder cela.
Pour l'instant voici ce que j'ai fait (isoler la colonne, trier du plus petit au plus grand et trouver les min, max et ajouter l'incrément)

#Importer fonction "zero" pour créer rapidement des tableaux
from scipy import *
import matplotlib.pyplot as plt



#ex: tableau à 10 éléments et 2 colonnes: 
monTableau = zeros((10,2))

# parcours d'un fichier python avec récupération du nombre de lignes

with open('test.csv', 'rb') as csvfile:

#récupérer le nb de lignes
    spamreader = csv.reader(csvfile, delimiter=',')
    rowNb = sum(1 for row in spamreader) - 1; # -1 car on supprime la ligne des titres
    test =  zeros((rowNb,2))
    

#reinitialisation de la tête de lecture
    csvfile.seek(0)
    incr = 0
    nouvealIncrem=spamreader.line_num #car meme avec .seek(0), line_num n'est pas revenu a 0, or on doit eviter de post traiter le titre des colonnes

#parcours du .csv pour stocker tes variables dans le tableau simuPositionData (pour l'instant, non triées)
    for row in spamreader:
        if spamreader.line_num > nouvealIncrem+1:
            test[incr,1] = incr
            test[incr,0] = float(row[24])
            incr += 1
            print float(row[24])


#à tester
donneesTriees = sorted( test[:,0] )
print donneesTriees

# max et min de la liste
vmax = max (test[:,0])
VMI®®®®®n = min (test[:,0])

print rowNb #nombre de lignes
print vmax
print VMI®®®®®n
i = (vmax - VMI®®®®®n)/100
l = donneesTriees


#pour le plot
plt.figure(1)
plt.plot(donneesTriees)

J'espère avoir été clair car ce n'est pas facile d'expliquer cela.
En espérant que vous saurez m'aider, je vous remercie d'avoir prêté attention à mon post.

Bonne journée,
Cordialement.
-----

[invite6c250b59]

j'apprends sur le tas.
J'ai un fichier .csv avec 30 colonnes et 10 000 000 de lignes donc impossible de l'ouvrir sur excel par exemple.
Il n'y a qu'une seule colonne qui m'intéresse, j'ai réussi à l'isoler sur python.(...)

C'est très bien, mais àmha la première leçon devrait être: ne pas réinventer la roue. En particulier pour ce type de problème c'est (très très) probablement une erreur de ne pas utiliser panda (sauf objectif pédagogique ou, plus rarement, sous-tâche spécifique pour laquelle aucune librairie n'existerait).

https://www.kaggle.com/pmarcelino/co...on-with-python

[polo974]

sinon, en shell en supposant un vrai csv (séparateur virgule) et que c'est la seconde colonne qui est utile et contient des flottants avec un point en séparateur décimal:

cut -d',' -f 2 fichier.csv  | sort -g -o gag; split -a2 -d -n l/100 --additional-suffix=.txt gag out

cut permet d'isoler une colonne (ici la 2ème, séparée par des virgules)

sort permet de trier (sur des nombres flottants) résultat dans fichier gag

split découpe le fichier gag en 100 fichiers out00.txt à out99.txt

et voilà... (il faut encore supprimer le fichier gag)