Python Pandas read_csv如何加快处理时间戳

Question

（熊猫0.16.1，Python 2.7.8 Anaconda 2.1.0（64位），Intel Xeon 3.07GHz，Win7 64bit）

我有一个csv报价数据表。 每天约40万行。

sym         time                    bid     ask     bsize asize
XCME@6EM4   2014.05.07T08:10:02.407 1.3927  1.3928  28    29
XCME@6EM4   2014.05.07T08:10:02.430 1.3927  1.3928  27    29

使用Pandas将其读入Python

pd.read_csv("quotes.csv", parse_dates = {'idx':[1]}, index_col = 'idx')

大约需要40秒。

你知道这可以更快吗？ 人们在这篇文章中提出了Cython解决方案，但是我想知道是否存在Python / pandas解决方案？

顺便说一句，这下面不解析日期，一个bug？

pd.read_csv("quotes.csv", parse_dates = [1])

Answer 1

这是一个更好的选择

拿出2行并将其设为40万，将其作为日期不进行解析而读取

In [34]: %timeit read_csv(StringIO(data + data2*200000),sep='\s+')
1 loops, best of 3: 328 ms per loop

In [35]: df = read_csv(StringIO(data + data2*200000),sep='\s+')

解析日期，您需要指定一种格式，因为它不是ISO 8601格式，因此在python空间中进行了解析

In [36]: %timeit pd.to_datetime(x.time,format='%Y.%m.%dT%H:%M:%S.%f')
1 loops, best of 3: 2.43 s per loop

In [37]: df.time = pd.to_datetime(df.time,format='%Y.%m.%dT%H:%M:%S.%f')

In [38]: df.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 400000 entries, 0 to 399999
Data columns (total 6 columns):
sym      400000 non-null object
time     400000 non-null datetime64[ns]
bid      400000 non-null float64
ask      400000 non-null float64
bsize    400000 non-null int64
asize    400000 non-null int64
dtypes: datetime64[ns](1), float64(2), int64(2), object(1)
memory usage: 21.4+ MB