Python csv和熊猫的更快替代方案
我有需要附加到csv文件的数据扩充代码。数据以百万计。需要2-3天。有没有更快的替代方案?HDF5在需要数百万次追加操作的情况下有多快 编辑:代码:仅供参考Python csv和熊猫的更快替代方案,python,pandas,hdf5,Python,Pandas,Hdf5,我有需要附加到csv文件的数据扩充代码。数据以百万计。需要2-3天。有没有更快的替代方案?HDF5在需要数百万次追加操作的情况下有多快 编辑:代码:仅供参考 def insert_data(directory, annotated_csv, output_csv): data = pd.read_csv(annotated_csv) data.to_csv(output_csv,index = False) counter = 0 print("number of
def insert_data(directory, annotated_csv, output_csv):
data = pd.read_csv(annotated_csv)
data.to_csv(output_csv,index = False)
counter = 0
print("number of files: ", len(os.listdir(directory)))
datachunk = []
for fname in glob.glob(directory + '/*jpg'):
fname = fname.split('/')[-1]
counter = counter + 1
if counter % 10000 == 0:
df_tmp = pd.DataFrame(data=datachunk, columns=data.columns)
df_tmp.to_csv(output_csv,mode = 'a', index = False, header=False)
datachunk = []
print("counter: "+ str(counter))
try:
ofile = fname.split("-")[0]
flabel = "'" + fname.split("-")[3] + "'"
ofile = ofile +'.jpg'
BB, MB, SB = get_all_bb(data, ofile)
BB[0] = fname
MB[0] = fname
SB[0] = fname
BB[7] = flabel
MB[7] = flabel
SB[7] = flabel
datachunk.append(BB)
datachunk.append(MB)
datachunk.append(SB)
except:
print("Exception on"+ str(fname))
pass
df_tmp = pd.DataFrame(data=datachunk, columns=data.columns)
df_tmp.to_csv(output_csv,mode = 'a', index = False, header=False)
print("counter: "+ str(counter))
这段代码只是对正在发生的事情的一瞥 使用simple pandas将只使用CPU的一个内核进行计算 解决方案: 您可以将多处理与pandas结合使用,以加速此附加计算。使用多处理,您将能够根据CPU的内核数量减少处理时间。机器的内核数越高,处理时间越短 使用pandas的多处理的示例实现可从以下链接中参考: 有关更详细的说明,请参阅:
它在数据库中不起作用吗?@sammywemmy不,它不能。请分享你的代码。你分析过你的代码了吗?看看慢的部分是什么?(我假设
get_all_bb
?)这看起来令人尴尬地平行(只需将for循环放入多处理
中,并从处理函数返回bb、MB、SB
三元组)。此外,与panda不同,尝试将pickle
d对象附加到一个或多个文件中即可。然后,您可以在空闲时将其后置处理为CSV或其他格式。