Pandas2000万数据保存太慢？to_csv()高效优化技巧！

Pandas `to_csv()`函数处理2000万条数据时速度慢？本文针对使用`to_csv()`保存大型DataFrame耗时过长的问题，提供高效优化方案。 文章分析了使用`chunksize`参数分块写入仍效率低下的原因，并提出使用`to_hdf()`函数将数据保存为HDF5格式的解决方案，显著提升数据写入速度，将耗时从55分钟缩短至几分钟甚至更短。 文章还详细讲解了优化代码及`pytables`库的安装方法，助你快速解决Pandas大文件保存难题。

Pandas to_csv() 函数处理大型数据集时速度缓慢？本文提供优化方案，解决将2000万条记录、100列数据保存为CSV文件耗时过长的问题。

问题：使用 to_csv() 函数保存包含约2000万条记录的大型 Pandas DataFrame，耗时高达55分钟。即使使用了 chunksize 参数分块写入，效果仍然不理想。

原始代码片段：

import os
import glob
import pandas as pd

src_files = glob.glob(os.path.join('/my/path', "*.csv.gz"))

# 读取数据
for file_ in sorted(src_files):
    stage = pd.DataFrame()
    iter_csv = pd.read_csv(file_, sep=',', index_col=False, header=0, 
                           low_memory=False, iterator=True, chunksize=100000, 
                           compression='gzip', memory_map=True, encoding='utf-8')

    df = pd.concat([chunk for chunk in iter_csv])
    stage = stage.append(df, ignore_index=True)

# 写入数据
stage.to_csv('output.csv', sep='|', header=True, index=False, 
             chunksize=100000, encoding='utf-8')

del stage

虽然代码已采用分块读取和写入，但 to_csv() 函数处理大规模 CSV 文件的效率仍然较低。

解决方案：使用 Pandas 的 to_hdf() 函数将数据保存为 HDF5 格式。HDF5 是一种高效的二进制数据格式，显著提升读写速度。

优化代码：

stage.to_hdf(r'path/file.h5', key='stage', mode='w')

将数据保存为 HDF5 格式后，写入时间将大幅缩短。to_hdf() 函数在处理大型数据集时具有显著的性能优势，是处理此类问题的有效解决方案。 选择合适的路径和文件名替换 r'path/file.h5'。 请确保已安装 pytables 库，它是 to_hdf() 函数的依赖。 如果未安装，可以使用 pip install tables 命令安装。

终于介绍完啦！小伙伴们，这篇关于《Pandas2000万数据保存太慢？to_csv()高效优化技巧！》的介绍应该让你收获多多了吧！欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布文章相关知识，快来关注吧！