Как найти и обработать большие файлы с помощью Python?

Для обработки больших файлов в Python вы можете использовать модуль `pandas`. Вот пример, как вы можете обработать файл размером 2ГБ с помощью `pandas`:

```python
import pandas as pd

# Чтение большого файла в DataFrame, читая его поблочно
chunk_size = 1000000  # Размер блока для чтения (несколько строк за раз)
df = pd.DataFrame()  # Создание пустого DataFrame
for chunk in pd.read_csv("файл.csv", chunksize=chunk_size):
    # Обработка блока данных
    # Например, вы можете выполнить какие-то операции над данными или фильтрацию строк
    processed_chunk = chunk  # Пример обработки данных: копирование блока данных

    # Объединение обработанного блока данных с общим DataFrame
    df = pd.concat([df, processed_chunk])

# Продолжение обработки и анализа данных в DataFrame
# Например, вы можете выполнить агрегирующие операции, построение графиков или вычисление статистик

# Вывод результата обработки
print(df.head())
```

В этом примере `pandas` читает большой файл поблочно с помощью параметра `chunksize` в функции `pd.read_csv()`. Затем каждый блок данных обрабатывается по мере чтения и объединяется с общим DataFrame `df`. Вы можете разместить свой код обработки данных внутри цикла `for`, чтобы выполнить нужные операции. После завершения чтения и обработки всех блоков данных, вы можете продолжить анализ и обработку данных в полностью загруженном DataFrame.

Обратите внимание, что вместо чтения CSV файла вы можете использовать другие методы чтения файлов, предоставляемые `pandas`, в зависимости от типа файла, с которым вы работаете.

Наверное лучше загрузить файл в SQLite и создать индекс. Затем можно подключиться к базе данных SQLite из Python и выполнять запросы, чтобы получить нужные данные. Это одноразовая операция, которую можно сделать вручную. Желательно создать индекс на полях "name" и "price" для быстрого выполнения запросов. Также можно попробовать загрузить таблицу в Python словарь, но это может увеличить использование памяти. Все зависит от размера файла. В общем, это хорошая возможность для экспериментов с замером памяти и скорости выполнения запросов.

Нужно сделать индексацию в SQLite и загрузить данные в таблицу. Например:
```
CREATE TABLE mytable (
  id INTEGER PRIMARY KEY,
  name TEXT,
  phone TEXT,
  price INTEGER
);

.mode csv
.separator ";"
.import file.csv mytable
```
После этого можно подключиться к базе данных из Python и выполнять запросы с условиями на поля name и price:
```
import sqlite3

conn = sqlite3.connect('mydatabase.db')
cursor = conn.cursor()

cursor.execute("SELECT * FROM mytable WHERE name = 'Игорь' AND price = '20'")
```
Можно также рассмотреть вариант загрузки данных в Python dictionary, но нужно помнить, что это может увеличить нагрузку на память. Также необходимо учесть, что использование dictionary свяжет нас жестко с полями name и price, что может быть неудобно.