在Pandas中解析大型CSV文件的最快方法

Question

我正在使用pandas来分析大数据文件：http://www.nielda.co.uk/betfair/data/它们的大小约为100兆。

来自csv的每次加载都需要几秒钟，然后需要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pickle文件。但加载它们也需要几秒钟。

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，熊猫＆＃39; read_csv可能比csv.reader/numpy.genfromtxt/loadtxt更快。我不认为你会找到更好的解析csv的东西（作为一个注释，read_csv不是一个纯粹的python解决方案，因为CSV解析器是用C语言实现的）。

但是，如果您必须经常加载/查询数据，解决方案是仅解析CSV一次，然后以另一种格式存储，例如HDF5。您可以使用pandas（背景为PyTables）来有效地查询（docs）。
请参阅此处，了解HDF5，csv和SQL与pandas的io性能：http://pandas.pydata.org/pandas-docs/stable/io.html#performance-considerations

还有一个可能相关的问题："Large data" work flows using pandas

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（而不是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，请检查是否将相同的数据读入内存（例如，mydata = open('myfile.txt').read()）需要相等的时间。 （只要确保你没有被磁盘缓存所困扰;如果你加载相同的数据两次，第二次它会快得多，因为数据已经在RAM缓存中了。）

在相信我在

下面写下的内容之前，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。如您所知，文件的实际结构，您不需要使用通用的CSV解析器。

但有三件事要尝试：

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

如果你可以将它与数据一起使用，第三个可能是最快的。同时它具有最有限的功能集。 （这实际上可以使它快速。）

此外，crclayton，BKay和EdChum在评论中给出的建议也很好。

尝试不同的选择！如果它们不起作用，那么你将不得不用编译语言编写一些东西（编译Python或者例如C）。

更新：我确实相信chrisb下面提到的内容，即pandas解析器速度很快。

然后，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，但如果知道文件的确切结构，则可能存在快捷方式。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），加载只会受到I / O性能的限制。

Answer 3

Modin是加州大学伯克利分校RISELab的早期项目，旨在促进将分布式计算用于数据科学。它是一个多进程数据库框架，具有与pandas相同的API，允许用户加快其pandas工作流程。 Modin在8核计算机上将Pandas查询速度提高了4倍，只需要用户在笔记本中更改一行代码即可。

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内核导入csv文件，几乎就像熊猫一样。