读取上千个csv文件，每个文件名不按照顺序排列，每个文件格式一样，列名分别为a，date ，time ，chepai ，jindu， weidu， v， passger，其中属性time是整型，范围为0到240000，读取完上千个文件得到总数据后需要将属性time每隔1500划分为96个区间，标号从0-95，并替换原来的time列，再根据属性date，time分组求得v的平均值v1，最后结果形式为date，time，v1，保存在一个新的csv文件中，由于数据量太大，必须提高运行效率，且不能超过python编译环境的memory

可以使用pandas库进行数据处理。以下是一个可能的解决方案：

import pandas as pd
import os

# 定义划分区间的函数
def divide_time(x):
    return int(x/1500)

# 定义读取csv并处理的函数
def process_csv(file_path):
    # 读取csv文件
    df = pd.read_csv(file_path)
    
    # 转换时间格式为整型
    df['time'] = df['time'].astype(int)
    
    # 将time划分为96个区间
    df['time'] = df['time'].apply(divide_time)
    
    # 根据日期和时间分组求平均值
    df = df.groupby(['date', 'time'])['v'].mean().reset_index()
    
    return df

# 读取所有csv文件并合并处理结果
all_df = pd.DataFrame()
for file_name in os.listdir('path/to/csv/folder'):
    if file_name.endswith('.csv'):
        file_path = os.path.join('path/to/csv/folder', file_name)
        df = process_csv(file_path)
        all_df = pd.concat([all_df, df])

# 保存结果到新的csv文件
all_df.to_csv('path/to/output.csv', index=False)

这个方案使用了pandas的一些常用函数，如`read_csv`、`astype`、`groupby`和`mean`等，可以很方便地处理大量数据。另外，为了防止内存溢出，我们在每次处理完一个csv文件后就将其结果与之前所有文件的结果合并，这样可以避免一次性读取所有文件导致内存溢出的问题。