將大型 DataFrame 輸出到 CSV 文件的最快方法是什么？

Question

對於 python/pandas，我發現 df.to_csv(fname) 以每分鍾約 100 萬行的速度工作。 我有時可以像這樣將性能提高 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：性能的提高取決於 dtypes。 但是，to_csv() 的執行速度比未優化的 Python 慢得多，這始終是正確的（至少在我的測試中）。

如果我有一個 4500 萬行的 csv 文件，那么：

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

問題：

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

注意：我的測試是在 Linux 服務器的本地驅動器上使用 pandas 0.9.1 完成的。

Answer 1

列夫。 Pandas 重寫了to_csv以大幅提高原生速度。 該過程現在是 i/o 綁定的，說明了許多微妙的 dtype 問題和引用案例。 這是我們與 0.10.1（即將發布的 0.11）版本相比的性能結果。 這些以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，單個 dtype（例如浮點數）的吞吐量，不太寬，大約為 20M 行/分鍾，這是上面的示例。

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，對於這樣的情況，最好只使用 numpy。 看時間：

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 將時間減少兩倍。 當然，這是以降低靈活性為代價的（與aa.to_csv相比）。

以 Python 3.7、pandas 0.23.4、numpy 1.15.2 為基准（ xrange被range替換，以使問題中發布的函數在 Python 3 中工作）。

附注。 如果您需要包含索引， savetxt可以正常工作 - 只需傳遞df.reset_index().values並相應地調整格式字符串。

Answer 3

使用塊大小。 我發現這有很大的不同。 如果您手頭有內存，請使用良好的塊大小（行數）進入內存，然后寫入一次。

Answer 4

您的df_to_csv函數非常好，除了它做了很多假設並且不適用於一般情況。

如果它對您有用，那很好，但請注意，這不是通用的解決方案。 CSV 可以包含逗號，那么如果要寫入這個元組會發生什么？ ('a,b','c')

python csv模塊會引用該值，以便不會出現混淆，並且如果任何值中存在引號，則會轉義引號。 當然，生成在所有情況下都有效的東西要慢得多。 但我想你只有一堆數字。

你可以試試這個，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')

不知道這樣會不會更快。 如果不是，那是因為完成了太多的系統調用，因此您可能會使用StringIO而不是直接輸出，然后每隔一段時間將其轉儲到真實文件中。