在 Pandas 中解析大型 CSV 文件的最快方法

Question

我正在使用熊猫来分析这里的大型数据文件： http ://www.nielda.co.uk/betfair/data/ 它们的大小约为 100 兆。

每次从 csv 加载需要几秒钟，然后更多时间来转换日期。

我尝试加载文件，将日期从字符串转换为日期时间，然后将它们重新保存为泡菜文件。 但是加载这些也需要几秒钟。

我可以使用哪些快速方法从磁盘加载/保存数据？

Answer 1

正如@chrisb 所说，pandas 的read_csv可能比csv.reader/numpy.genfromtxt/loadtxt 。 我认为您找不到更好的方法来解析 csv（请注意， read_csv不是“纯 python”解决方案，因为 CSV 解析器是用 C 实现的）。

但是，如果您必须经常加载/查询数据，则解决方案是仅解析 CSV 一次，然后将其存储为另一种格式，例如 HDF5。 您可以使用pandas （在后台使用PyTables ）来有效地查询（ docs ）。
有关 HDF5、csv 和 SQL 与 Pandas 的 io 性能的比较，请参见此处： http : //pandas.pydata.org/pandas-docs/stable/io.html#performance-考虑

还有一个可能相关的其他问题： 使用熊猫的“大数据”工作流程

Answer 2

要检查的一件事是磁盘系统本身的实际性能。 特别是如果您使用旋转磁盘（不是 SSD），您的实际磁盘读取速度可能是性能的解释因素之一。 因此，在进行过多优化之前，请检查将相同的数据读入内存（例如，通过mydata = open('myfile.txt').read() ）是否花费了相同的时间。 （只要确保你不会被磁盘缓存咬到；如果你加载相同的数据两次，第二次会快得多，因为数据已经在 RAM 缓存中了。）

在相信我在下面写的内容之前，请参阅下面的更新

如果您的问题确实是解析文件，那么我不确定是否有任何纯 Python 解决方案可以帮助您。 正如您知道文件的实际结构一样，您不需要使用通用 CSV 解析器。

不过，有三件事可以尝试：

1. Python csv包和csv.reader
2. NumPy genfromtext
3. Numpy loadtxt

如果您可以将它与您的数据一起使用，第三个可能是最快的。 同时，它具有最有限的功能集。 （这实际上可能会使其更快。）

此外， crclayton 、 BKay和EdChum在评论中给您的建议也很好。

尝试不同的选择！ 如果它们不起作用，那么您将不得不用编译语言（编译的 Python 或例如 C）编写一些东西。

更新：我不相信什么chrisb下面说，即pandas解析器快。

那么使解析更快的唯一方法是用 C（或其他编译语言）编写特定于应用程序的解析器。 CSV 文件的通用解析并不简单，但如果文件的确切结构已知，则可能有快捷方式。 在任何情况下解析文本文件都很慢，所以如果你能把它翻译成更可口的东西（HDF5、NumPy 数组），加载将只受 I/O 性能的限制。

Answer 3

Modin 是加州大学伯克利分校 RISELab 的一个早期项目，旨在促进分布式计算在数据科学中的使用。 它是一个多进程 Dataframe 库，具有与 Pandas 相同的 API，允许用户加快他们的 Pandas 工作流程。 Modin 在 8 核机器上将 Pandas 查询速度提高了 4 倍，只需要用户更改笔记本中的一行代码。

pip install modin

如果使用 dask

pip install modin[dask]

通过键入导入 modin

import modin.pandas as pd

它使用所有 CPU 内核来导入 csv 文件，它几乎就像熊猫一样。