Wes当然是对的！我只是想提供一个更完整的示例代码。我在一个129 Mb的文件中遇到了同样的问题，这个问题可以通过以下方法解决：

import pandas as pd
    
# Returns a TextFileReader, which is iterable with chunks of 1000 rows.
csv_iterator = pd.read_csv('large_dataset.csv', iterator=True, chunksize=1000)
# Iterate through the dataframe chunks and print one row/record at a time
for chunk in csv_iterator:
    for index, row in chunk.iterrows():
        print(row)

# df is DataFrame. If errors, use `list(csv_iterator)` instead
df = pd.concat(tp, ignore_index=True)

原则上，它不应该耗尽内存，但是目前read_csv在处理大文件时存在内存问题，这是由一些复杂的Python内部问题引起的（这很模糊，但是很久以前就知道了：http://github.com/pydata/pandas/issues/407）。
目前还没有一个完美的解决方案（这里有一个乏味的解决方案：您可以将文件逐行转录到预先分配的NumPy数组或内存Map文件中--np.mmap），但这是我在不久的将来要做的工作。另一种解决方案是以较小的片段读取文件（使用iterator=True, chunksize=1000），然后与pd.concat连接。当您将整个文本文件一次性拉入内存时，问题就出现了。

这是一个较老的线程，但我只是想在这里转储我的解决方案。我最初尝试了chunksize参数（即使值很小，如10000），但没有多大帮助;内存大小仍然有技术问题（我的CSV是~ 7. 5 GB）。
现在，我只是用for循环方法读取CSV文件的块，然后一步一步地将它们添加到SQLite数据库中：

import pandas as pd
import sqlite3
from pandas.io import sql
import subprocess

# In and output file paths
in_csv = '../data/my_large.csv'
out_sqlite = '../data/my.sqlite'

table_name = 'my_table' # name for the SQLite database table
chunksize = 100000 # number of lines to process at each iteration

# columns that should be read from the CSV file
columns = ['molecule_id','charge','db','drugsnow','hba','hbd','loc','nrb','smiles']

# Get number of lines in the CSV file
nlines = subprocess.check_output('wc -l %s' % in_csv, shell=True)
nlines = int(nlines.split()[0]) 

# connect to database
cnx = sqlite3.connect(out_sqlite)

# Iteratively read CSV and dump lines into the SQLite table
for i in range(0, nlines, chunksize):

    df = pd.read_csv(in_csv,  
            header=None,  # no header, define column header manually later
            nrows=chunksize, # number of rows to read at each iteration
            skiprows=i)   # skip rows that were already read

    # columns to read        
    df.columns = columns

    sql.to_sql(df, 
                name=table_name, 
                con=cnx, 
                index=False, # don't use CSV file index
                index_label='molecule_id', # use a unique column from DataFrame as index
                if_exists='append') 
cnx.close()

下面是我的工作流程。

import sqlalchemy as sa
import pandas as pd
import psycopg2

count = 0
con = sa.create_engine('postgresql://postgres:pwd@localhost:00001/r')
#con = sa.create_engine('sqlite:///XXXXX.db') SQLite
chunks = pd.read_csv('..file', chunksize=10000, encoding="ISO-8859-1",
                     sep=',', error_bad_lines=False, index_col=False, dtype='unicode')

根据你的文件大小，你最好优化块大小。

for chunk in chunks:
        chunk.to_sql(name='Table', if_exists='append', con=con)
        count += 1
        print(count)

在数据库中有了所有的数据后，你可以从数据库中查询出你需要的数据.

如果你想加载大的csv文件，dask可能是个不错的选择，它模仿了panda的API，所以感觉上和panda很像
link to dask on github

你可以使用Pytable而不是panda df，它是为大数据集设计的，文件格式是hdf5，所以处理时间相对较快。