Per python/panda, trovo che df.to_csv (fname) funzioni a una velocità di ~ 1 mln di righe al minuto. A volte riesco a migliorare le prestazioni di un fattore 7 in questo modo:Qual è il modo più veloce per generare un DataFrame di grandi dimensioni in un file CSV?
def df2csv(df,fname,myformats=[],sep=','):
"""
# function is faster than to_csv
# 7 times faster for numbers if formats are specified,
# 2 times faster for strings.
# Note - be careful. It doesn't add quotes and doesn't check
# for quotes or separators inside elements
# We've seen output time going down from 45 min to 6 min
# on a simple numeric 4-col dataframe with 45 million rows.
"""
if len(df.columns) <= 0:
return
Nd = len(df.columns)
Nd_1 = Nd - 1
formats = myformats[:] # take a copy to modify it
Nf = len(formats)
# make sure we have formats for all columns
if Nf < Nd:
for ii in range(Nf,Nd):
coltype = df[df.columns[ii]].dtype
ff = '%s'
if coltype == np.int64:
ff = '%d'
elif coltype == np.float64:
ff = '%f'
formats.append(ff)
fh=open(fname,'w')
fh.write(','.join(df.columns) + '\n')
for row in df.itertuples(index=False):
ss = ''
for ii in xrange(Nd):
ss += formats[ii] % row[ii]
if ii < Nd_1:
ss += sep
fh.write(ss+'\n')
fh.close()
aa=DataFrame({'A':range(1000000)})
aa['B'] = aa.A + 1.0
aa['C'] = aa.A + 2.0
aa['D'] = aa.A + 3.0
timeit -r1 -n1 aa.to_csv('junk1') # 52.9 sec
timeit -r1 -n1 df2csv(aa,'junk3',myformats=['%d','%.1f','%.1f','%.1f']) # 7.5 sec
Nota: l'aumento delle prestazioni dipende dtypes. Ma è sempre vero (almeno nei miei test) che to_csv() esegue molto più lentamente di Python non ottimizzato.
Se ho un file CSV 45 milioni di righe, quindi:
aa = read_csv(infile) # 1.5 min
aa.to_csv(outfile) # 45 min
df2csv(aa,...) # ~6 min
Domande:
What are the ways to make the output even faster?
What's wrong with to_csv() ? Why is it soooo slow ?
Nota: i miei test sono stati fatti utilizzando panda 0.9.1 su un disco locale su un Linux server.
Recentemente ho utilizzato i metodi built-in to_excel e poi to_csv DataFrame per esportare rapporti di circa 1.7 K in un batch da un gruppo DataFrame, e una parte dei report (in particolare, i file più grandi) è stata danneggiata. Ora sono piuttosto diffidente nei confronti di queste procedure integrate e ho in programma di preparare le mie proprie funzioni di esportazione per il mio flusso di lavoro. –
@DavidMarx potresti pubblicare un esempio di file corrotto, DataFrame e il tuo codice? Ci aiuterebbe immensamente a risolvere il problema. Grazie. –
È uno strumento da lavoro che ho costruito per il mio ufficio. Vedrò se non riesco a duplicare il problema con dati che non sono sensibili al posto di lavoro. –