用 Python 编写大型 CSV 的最快方法

Question

我想在 csv 文件中写入一些随机样本数据，直到它达到 1GB 大。 以下代码正在工作：

import numpy as np
import uuid
import csv
import os
outfile = 'data.csv'
outsize = 1024 # MB
with open(outfile, 'ab') as csvfile:
    wtr = csv.writer(csvfile)
    while (os.path.getsize(outfile)//1024**2) < outsize:
        wtr.writerow(['%s,%.6f,%.6f,%i' % (uuid.uuid4(), np.random.random()*50, np.random.random()*50, np.random.randint(1000))])    

如何更快地得到它？

Answer 1

问题似乎主要是 IO 绑定的。 您可以通过以更大的块写入文件而不是一次写入一行来稍微改进 I/O：

import numpy as np
import uuid
import os
outfile = 'data-alt.csv'
outsize = 10 # MB
chunksize = 1000
with open(outfile, 'ab') as csvfile:
    while (os.path.getsize(outfile)//1024**2) < outsize:
        data = [[uuid.uuid4() for i in range(chunksize)],
                np.random.random(chunksize)*50,
                np.random.random(chunksize)*50,
                np.random.randint(1000, size=(chunksize,))]
        csvfile.writelines(['%s,%.6f,%.6f,%i\n' % row for row in zip(*data)])   

您可以尝试使用 chunksize（每个块写入的行数）来查看什么在您的机器上效果最好。

---

这是一个基准，将上述代码与您的原始代码进行比较，并将outsize设置为 10 MB：

% time original.py

real    0m5.379s
user    0m4.839s
sys 0m0.538s

% time write_in_chunks.py

real    0m4.205s
user    0m3.850s
sys 0m0.351s

所以这比原始代码快了大约 25%。

---

附注。 我尝试用对所需总行数的估计替换对os.path.getsize的调用。 不幸的是，它并没有提高速度。 由于表示最终 int 所需的字节数各不相同，因此估计也不准确——也就是说，它不能完美地复制原始代码的行为。 所以我把os.path.getsize留在了原处。

Answer 2

删除所有不必要的东西，因此它应该更快更容易理解：

import random
import uuid
outfile = 'data.csv'
outsize = 1024 * 1024 * 1024 # 1GB
with open(outfile, 'ab') as csvfile:
    size = 0
    while size < outsize:
        txt = '%s,%.6f,%.6f,%i\n' % (uuid.uuid4(), random.random()*50, random.random()*50, random.randrange(1000))
        size += len(txt)
        csvfile.write(txt)

Answer 3

这是基于上述 unutbu 答案的更新：

大部分时间都花在生成随机数和检查文件大小上。

如果您提前生成行，您可以评估原始磁盘 io 性能：

import time
from pathlib import Path
import numpy as np
import uuid
outfile = Path('data-alt.csv')
chunksize = 1_800_000

data = [
    [uuid.uuid4() for i in range(chunksize)],
    np.random.random(chunksize) * 50,
    np.random.random(chunksize) * 50,
    np.random.randint(1000, size=(chunksize,))
]
rows = ['%s,%.6f,%.6f,%i\n' % row for row in zip(*data)]

t0 = time.time()
with open(outfile, 'a') as csvfile:
    csvfile.writelines(rows)
tdelta = time.time() - t0
print(tdelta)

在我的标准 860 evo ssd（不是 nvme）上，1_800_000 行我得到 1.43 秒，所以这是 1,258,741 行/秒（不太破旧的 imo）