Python 使用pandas的增量数据加载

我正在尝试使用pandas实现增量数据导入

我有两个数据帧：df_old（原始数据，之前加载）和df_new（新数据，将与df_old合并）

df_old/df_new中的数据在多个列上是唯一的 （为了简单起见，我们只说2:key1和key2）。其他列是要合并的数据，也就是说，它们也只有两个：val1和val2

除此之外，还有一列需要注意：change_id-它会随着每个新条目覆盖旧条目而增加

导入的逻辑非常简单：

如果df_new中有新密钥对，则应将其添加到df_old中（带有相应的val1/val2值）

如果df_new中存在df_old中存在的密钥对，则：

2a）如果df_old和df_new中的对应值相同，则应保留旧值

2b）如果df_old和df_new中的对应值不同，则df_new中的值应替换df_old中的旧值

不需要关心dala的删除（如果df_old中存在一些数据，而df_new中不存在这些数据）

到目前为止，我提出了两种不同的解决方案：

>>> df_old = pd.DataFrame([['A1','B2',1,2,1],['A1','A2',1,3,1],['B1','A2',1,3,1],['B1','B2',1,4,1],], columns=['key1','key2','val1','val2','change_id'])
>>> df_old.set_index(['key1','key2'], inplace=True)
>>> df_old

           val1  val2  change_id
key1 key2                       
A1   B2       1     2          1
     A2       1     3          1
B1   A2       1     3          1
     B2       1     4          1

>>> df_new = pd.DataFrame([['A1','B2',2,1,2],['A1','A2',1,3,2],['C1','B2',2,1,2]], columns=['key1','key2','val1','val2','change_id'])
>>> df_new.set_index(['key1','key2'], inplace=True)
>>> df_new

           val1  val2  change_id
key1 key2                       
A1   B2       2     1          2
     A2       1     3          2
C1   B2       2     1          2

解决方案1

# this solution groups concatenated old data with new ones, group them by keys and for each group evaluates if new data are different
def merge_new(x):    
    if x.shape[0] == 1:
        return x.iloc[0]
    else: 
        if x.iloc[0].loc[['val1','val2']].equals(x.iloc[1].loc[['val1','val2']]):
            return x.iloc[0]
        else:
            return x.iloc[1]

def solution1(df_old, df_new):
    merged = pd.concat([df_old, df_new]) 
    return merged.groupby(level=['key1','key2']).apply(merge_new).reset_index()

解决方案2

# this solution uses pd.merge to merge data + additional logic to compare merged rows and select new data
>>> def solution2(df_old, df_new):
>>>    merged = pd.merge(df_old, df_new, left_index=True, right_index=True, how='outer', suffixes=('_old','_new'), indicator='ind')
>>>    merged['isold'] = (merged.loc[merged['ind'] == 'both',['val1_old','val2_old']].rename(columns=lambda x: x[:-4]) == merged.loc[merged['ind'] == 'both',['val1_new','val2_new']].rename(columns=lambda x: x[:-4])).all(axis=1)
>>>    merged.loc[merged['ind'] == 'right_only','isold'] = False    
>>>    merged['isold'] = merged['isold'].fillna(True)
>>>    return pd.concat([merged[merged['isold'] == True][['val1_old','val2_old','change_id_old']].rename(columns=lambda x: x[:-4]), merged[merged['isold'] == False][['val1_new','val2_new','change_id_new']].rename(columns=lambda x: x[:-4])])

>>> solution1(df_old, df_new)

  key1 key2  val1  val2  change_id
0   A1   A2     1     3          1
1   A1   B2     2     1          2
2   B1   A2     1     3          1
3   B1   B2     1     4          1
4   C1   B2     2     1          2


>>> solution2(df_old, df_new)

           val1  val2  change_id
key1 key2                       
A1   A2     1.0   3.0        1.0
B1   A2     1.0   3.0        1.0
     B2     1.0   4.0        1.0
A1   B2     2.0   1.0        2.0
C1   B2     2.0   1.0        2.0

然而，这两项工作，我仍然对巨大数据帧上的性能相当失望。 问题是：有没有更好的办法？任何提高速度的暗示都是非常受欢迎的

>>> %timeit solution1(df_old, df_new)
100 loops, best of 3: 10.6 ms per loop

>>> %timeit solution2(df_old, df_new)
100 loops, best of 3: 14.7 ms per loop

---

这里有一种非常快速的方法：

merged = pd.concat([df_old.reset_index(), df_new.reset_index()])
merged = merged.drop_duplicates(["key1", "key2", "val1", "val2"]).drop_duplicates(["key1", "key2"], keep="last")
# 100 loops, best of 3: 1.69 ms per loop

#   key1 key2  val1  val2  change_id
# 1   A1   A2     1     3          1
# 2   B1   A2     1     3          1
# 3   B1   B2     1     4          1
# 0   A1   B2     2     1          2
# 2   C1   B2     2     1          2

这里的基本原理是连接所有行，只需调用两次

drop\u duplicates

，而不是依赖连接逻辑来获取所需的行。对

drop_duplicates

的第一次调用将删除源自

df_new

的行，这些行在键和值列上都匹配，因为此方法的默认行为是保留第一个重复行（在这种情况下，是来自

df_old

的行）。第二个调用删除与键列匹配的重复项，但指定应保留每组重复项的

最后一行

这种方法假设行是按
change_id
排序的；鉴于示例数据帧的连接顺序，这是一个安全的假设。但是，如果您的真实数据存在错误的假设，只需在删除重复数据之前，在
merged
上调用
.sort\u values（'change\u id'）