将大型 DataFrame 输出到 CSV 文件的最快方法是什么？

Question

对于 python/pandas，我发现 df.to_csv(fname) 以每分钟约 100 万行的速度工作。 我有时可以像这样将性能提高 7 倍：

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

注意：性能的提高取决于 dtypes。 但是，to_csv() 的执行速度比未优化的 Python 慢得多，这始终是正确的（至少在我的测试中）。

如果我有一个 4500 万行的 csv 文件，那么：

aa = read_csv(infile)  #  1.5 min
aa.to_csv(outfile)     # 45 min
df2csv(aa,...)         # ~6 min

问题：

What are the ways to make the output even faster?
What's wrong with to_csv() ? Why is it soooo slow ?

注意：我的测试是在 Linux 服务器的本地驱动器上使用 pandas 0.9.1 完成的。

Answer 1

列夫。 Pandas 重写了to_csv以大幅提高原生速度。 该过程现在是 i/o 绑定的，说明了许多微妙的 dtype 问题和引用案例。 这是我们与 0.10.1（即将发布的 0.11）版本相比的性能结果。 这些以ms ，比率越低越好。

Results:
                                            t_head  t_baseline      ratio
name                                                                     
frame_to_csv2 (100k) rows                 190.5260   2244.4260     0.0849
write_csv_standard  (10k rows)             38.1940    234.2570     0.1630
frame_to_csv_mixed  (10k rows, mixed)     369.0670   1123.0412     0.3286
frame_to_csv (3k rows, wide)              112.2720    226.7549     0.4951

因此，单个 dtype（例如浮点数）的吞吐量，不太宽，大约为 20M 行/分钟，这是上面的示例。

In [12]: df = pd.DataFrame({'A' : np.array(np.arange(45000000),dtype='float64')}) 
In [13]: df['B'] = df['A'] + 1.0   
In [14]: df['C'] = df['A'] + 2.0
In [15]: df['D'] = df['A'] + 2.0
In [16]: %timeit -n 1 -r 1 df.to_csv('test.csv')
1 loops, best of 1: 119 s per loop

Answer 2

在 2019 年，对于这样的情况，最好只使用 numpy。 看时间：

aa.to_csv('pandas_to_csv', index=False)
# 6.47 s

df2csv(aa,'code_from_question', myformats=['%d','%.1f','%.1f','%.1f'])
# 4.59 s

from numpy import savetxt

savetxt(
    'numpy_savetxt', aa.values, fmt='%d,%.1f,%.1f,%.1f',
    header=','.join(aa.columns), comments=''
)
# 3.5 s

因此，您可以使用 numpy 将时间减少两倍。 当然，这是以降低灵活性为代价的（与aa.to_csv相比）。

以 Python 3.7、pandas 0.23.4、numpy 1.15.2 为基准（ xrange被range替换，以使问题中发布的函数在 Python 3 中工作）。

附注。 如果您需要包含索引， savetxt可以正常工作 - 只需传递df.reset_index().values并相应地调整格式字符串。

Answer 3

使用块大小。 我发现这有很大的不同。 如果您手头有内存，请使用良好的块大小（行数）进入内存，然后写入一次。

Answer 4

您的df_to_csv函数非常好，除了它做了很多假设并且不适用于一般情况。

如果它对您有用，那很好，但请注意，这不是通用的解决方案。 CSV 可以包含逗号，那么如果要写入这个元组会发生什么？ ('a,b','c')

python csv模块会引用该值，以便不会出现混淆，并且如果任何值中存在引号，则会转义引号。 当然，生成在所有情况下都有效的东西要慢得多。 但我想你只有一堆数字。

你可以试试这个，看看它是否更快：

#data is a tuple containing tuples

for row in data:
    for col in xrange(len(row)):
        f.write('%d' % row[col])
        if col < len(row)-1:
            f.write(',')
    f.write('\n')

不知道这样会不会更快。 如果不是，那是因为完成了太多的系统调用，因此您可能会使用StringIO而不是直接输出，然后每隔一段时间将其转储到真实文件中。