![](/img/trans.png)
[英]Python: fastest way to write pandas DataFrame to Excel on multiple sheets
[英]Fastest way to write BIG pandas DataFrame
我运行了一个测试,测试了 10 种写入方式和 10 种读取 DataFrame 的方式。 我在这里找到了测试(我做了一些调整并将 Parquet 添加到列表中)最好的方法是:
df.to_feather('test.feather') :
39.34544535900204s
table=pyarrow.Table.from_pandas(df)
pq.write_table(table, "test_parquet_write_snappy_dict.parquet",
use_dictionary=True, version='2.0', compression='snappy') :
40.6873751259991s
table=pyarrow.Table.from_pandas(df, nthreads=4)
pq.write_table(table, "test_parquet_write_snappy_dict.parquet",
use_dictionary=True, version='2.0', compression='snappy') :
41.051620177000586s
为写作
和
pd.read_hdf('test_fixed.hdf', 'test') :
1.5275615360005759
pd.read_feather('test.feather') :
20.635139821002667
pd.read_pickle('test.pkl') :
37.21131302599679
为阅读。
这是数据帧:
sz = 50000000
df = pd.DataFrame({'A': randn(sz), 'B': randn(sz), 'C': randn(sz), 'D': randn(sz)})
我有两个问题。 read_hdf
如何比 read_feather 快 20 倍,而to_hdf
甚至不在前三个写测试中?
第二个,40 秒对于我的需求来说仍然太慢。 有没有办法提高这个速度? 通过对to_feather
或write_table
使用不同的参数,或者使用我不知道的函数/模块?
我不是要别人来找我,我可以自己做,我不想浪费任何人的时间。 我正在寻找一个已经知道这个问题的人,并且可以用他知道的最快的方式引导我。
这本身并不完全是一个答案,但这里有一个更全面的基准测试,对像你这样的数据的各种方法......
import timeit
import numpy as np
import pandas as pd
from numpy.random import randn, randint
def generate_data(n):
df = pd.DataFrame(
{
"dt": randint(1_600_000_000, 1_700_000_000, size=n) * 1000,
"a": randn(n),
"b": randn(n),
"c": randn(n),
}
)
df.dt = pd.to_datetime(df.dt, unit="s")
df.set_index("dt", inplace=True)
return df
def benchmark(df, name, saver, loader):
verify(df, loader, saver)
save_timer = timeit.Timer(lambda: saver(df))
load_timer = timeit.Timer(lambda: loader().a.sum())
save_n, save_time = save_timer.autorange()
load_n, load_time = load_timer.autorange()
total_time = (load_time / load_n) + (save_time / save_n)
print(
f"{name:<15s} : "
f"{save_n / save_time:>20.3f} save/s : "
f"{load_n / load_time:>20.3f} load+sum/s : "
f"{1 / total_time: >20.3f} total speed"
)
def verify(df, loader, saver):
saver(df)
loaded = loader()
assert np.allclose(loaded.a.sum(), df.a.sum())
assert np.allclose(loaded.b.sum(), df.b.sum())
assert list(loaded.columns) == list(df.columns), loaded.columns
def save_feather(df):
df = df.reset_index()
df.to_feather("dummy.feather")
def load_feather():
df = pd.read_feather("dummy.feather")
df.set_index("dt", inplace=True)
return df
def main():
df = generate_data(5_000_000)
benchmark(df, "dummy", lambda df: None, lambda: df)
benchmark(df, "csv", lambda df: df.to_csv("dummy.csv"), lambda: pd.read_csv("dummy.csv", index_col="dt"))
benchmark(df, "hdf", lambda df: df.to_hdf("dummy.h5", "dummy"), lambda: pd.read_hdf("dummy.h5", "dummy"))
benchmark(df, "pickle", lambda df: df.to_pickle("dummy.pickle"), lambda: pd.read_pickle("dummy.pickle"))
benchmark(df, "feather", save_feather, load_feather)
benchmark(
df,
"parquet",
lambda df: df.to_parquet("dummy.parquet", allow_truncated_timestamps=True),
lambda: pd.read_parquet("dummy.parquet"),
)
if __name__ == "__main__":
main()
在我的机器上(Ryzen 7 3700X、SSD 磁盘、Windows 10、Python 3.8、最新的 Pandas 等)和一个百万行的 DF(无法等待 CSV 结果),我得到
dummy : 10475677.467 save/s : 186.737 load+sum/s : 186.734 total speed
csv : 0.185 save/s : 0.970 load+sum/s : 0.156 total speed
hdf : 18.289 save/s : 28.514 load+sum/s : 11.142 total speed
pickle : 14.058 save/s : 31.962 load+sum/s : 9.764 total speed
feather : 34.766 save/s : 41.436 load+sum/s : 18.904 total speed
parquet : 7.707 save/s : 19.603 load+sum/s : 5.532 total speed
所以 HDF5 绝对不是快几个数量级。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.