多个CSV大文件如何用Python自动化合并去重

应分块读取+流式去重：用chunksize=50000逐块读CSV，统一列名和dtype后累加concat并立即按业务主键drop_duplicates(subset=['order_id'], keep='first')，最终用csv.writer边处理边写入避免内存膨胀。

用 pandas.concat 合并大CSV，但别直接全读进内存

单个CSV文件超过500MB，用 pandas.read_csv 默认方式加载，内存直接告急。更别提多个文件一起 concat，那相当于内存翻倍再翻倍。正确的做法是分块读取，边读边处理。

实际操作中，有几个点值得注意：

• 设置 chunksize=50000（具体数值看机器内存，16GB机器建议不要超过10万），逐块读成DataFrame，每块立刻处理，别攒着。
• 合并前一定要统一列名和数据类型（dtype），否则 concat 会隐式转换，导致后续去重失效——比如字符串列混入nan，变成float，去重时就乱了。
• 别用 pd.concat([df1, df2, ...]) 一次性拼接所有块。正确做法：先初始化一个空 result_df，每读一块就 pd.concat([result_df, chunk], ignore_index=True)，然后立刻 drop_duplicates，这样能有效控制内存峰值。

去重必须指定 subset，且优先用 keep='first'

很多人习惯用 df.drop_duplicates() 做全字段去重，但在大数据量下，这招极慢——因为要哈希整行。更坑的是，如果某列有nan值，drop_duplicates 默认把所有nan视为相同，可能会误删有效行。

经验之谈：

• 明确业务主键字段，比如订单号 order_id 或用户ID user_id，传给 subset=['order_id']。这样只针对关键字段去重，效率高得多。
• keep='first' 比 'last' 快大约15%，因为底层跳过了重复项扫描，而且语义清晰：保留首次出现的记录。
• 如果需要按时间保留最新记录，那就先 sort_values('update_time', ascending=False)，再 drop_duplicates(subset=['order_id'], keep='first')。顺序别搞反，否则白费功夫。

用 csv.writer 直接写入避免中间DataFrame膨胀

即使处理完，最终结果DataFrame也可能很大，再用 to_csv 输出，等于二次内存占用。更稳妥的做法是绕过DataFrame，直接用Python原生的 csv 模块边处理边写入。

具体步骤：

• 提前打开输出文件句柄：with open('merged_unique.csv', 'w', newline='') as f:
• 用 csv.writer(f) 写表头——从第一块chunk的 chunk.columns.tolist() 获取。
• 每处理完一块，直接用 writer.writerows(chunk.values.tolist()) 写入，不经过DataFrame序列化，内存占用更低。
• 注意：这种方式要求所有chunk的列顺序和类型完全一致。所以读取时务必用 usecols 和 dtype 强制对齐。

遇到 MemoryError 或 UnicodeDecodeError 怎么办

这两个错误在自动化脚本里很常见。前者是内存真爆了，后者往往是编码问题——部分文件是gbk，部分是utf-8-sig。如果不显式捕获，整个流程可能直接中断。

几个实用策略：

• MemoryError：先降低 chunksize 到10000，实在不行可以考虑 dask.dataframe。但要注意，dask 的 drop_duplicates 不支持 subset 参数，得用 map_partitions 手动实现。
• UnicodeDecodeError：读取时先试 encoding='utf-8'，失败则回退到 encoding='gb18030'（中文Windows常见）。用 try/except 包裹 read_csv 即可。
• 加日志：每完成一个文件打印 f"Processed {file_path}: {len(chunk)} rows"，方便定位问题出在哪一步。

说到底，真正难的不是语法，是chunksize设多少、编码怎么试、主键字段有没有空值——这些都得看数据本身。脚本跑起来之前，最好先抽样检查三个文件的结构和内容，心里有底再动手。