首页 文章

Pandas to_csv（）减慢了保存大型数据帧的速度

提问于
浏览 次
10

我遇到了一个问题，即使用 to_csv() 函数将pandas数据帧保存到csv文件需要将近一个小时的时间 . 我正在使用带有pandas（0.19.1）的anaconda python 2.7.12 .

import os
import glob
import pandas as pd

src_files = glob.glob(os.path.join('/my/path', "*.csv.gz"))

# 1 - Takes 2 min to read 20m records from 30 files
for file_ in sorted(src_files):
    stage = pd.DataFrame()
    iter_csv = pd.read_csv(file_
                     , sep=','
                     , index_col=False
                     , header=0
                     , low_memory=False
                     , iterator=True
                     , chunksize=100000
                     , compression='gzip'
                     , memory_map=True
                     , encoding='utf-8')

    df = pd.concat([chunk for chunk in iter_csv])
    stage = stage.append(df, ignore_index=True)

# 2 - Takes 55 min to write 20m records from one dataframe
stage.to_csv('output.csv'
             , sep='|'
             , header=True
             , index=False
             , chunksize=100000
             , encoding='utf-8')

del stage

我已经确认硬件和内存正在运行，但这些是相当宽的表（~100列），主要是数字（十进制）数据 .

谢谢，

python csv pandas dataframe

2 回答

  • 4

    您正在读取压缩文件并编写纯文本文件 . 可能是IO瓶颈 .

    编写压缩文件可以加速写入10倍

    stage.to_csv('output.csv.gz'
         , sep='|'
         , header=True
         , index=False
         , chunksize=100000
         , compression='gzip'
         , encoding='utf-8')

    此外，您可以尝试不同的块大小和压缩方法（'bz2'，'xz'） .

    回复于
  • 1

    从'gzip'替代方案中添加我的小见解对我来说不起作用 - 尝试使用to_hdf方法 . 这大大减少了写入时间！ （对于100MB文件不到一秒钟 - 在30-55秒之间执行此选项的CSV选项）

    stage.to_hdf(r'path/file.h5', key='stage', mode='w')
    回复于

相关问题