Question

对于python / pandas，我发现df.to_csv（fname）的工作速度约为每分钟1百万行。我有时可以将性能提高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：性能的提高取决于dtypes。但它总是如此（至少在我的测试中） to_csv（）的执行速度比非优化的python慢得多。

如果我有一个4500万行的csv文件，那么：

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

问题：

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

注意：我的测试是在Linux服务器上的本地驱动器上使用pandas 0.9.1完成的。

Answer 1

列夫。熊猫重写了to_csv以大幅提高原生速度。这个过程现在是i / o绑定的，解释了许多微妙的dtype问题和引用案例。以下是我们的性能结果与0.10.1（即将发布的0.11）版本的对比。这些是ms，较低的比率更好。

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

所以单个dtype（例如浮点数）的吞吐量，不太宽，大约是20M行/分钟，这是你上面的例子。

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

使用chunksize。我发现这很有意义。如果手头有内存，请使用好的chunksize（没有行）进入内存然后再写一次。

Answer 3

你的df_to_csv函数非常好，除了它做了很多假设，并且对一般情况不起作用。

如果它适合你，那很好，但请注意，这不是一般解决方案。 CSV可以包含逗号，那么如果要编写这个元组会发生什么？ ('a,b','c')

python csv模块将引用该值，以便不会出现混淆，并且如果任何值中存在引号，则会转义引号。当然，生成适用于所有情况的东西要慢得多。但我想你只有一堆数字。

你可以尝试一下，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')

我不知道那会更快。如果不是因为系统调用太多，那么您可以使用StringIO而不是直接输出，然后每隔一段时间将其转储到一个真实的文件中。

Answer 4

在2019年，对于此类情况，最好使用numpy。看一下时间：

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将时间缩短两倍。当然，这要以降低灵活性为代价（与aa.to_csv相比）。

使用Python 3.7，pandas 0.23.4，numpy 1.15.2进行了标记（{xrange被range取代，以使问题中的发布函数在Python 3中正常工作。

PS。如果您需要包括索引，则savetxt可以正常工作-只需传递df.rest_index().values并相应地调整格式字符串即可。

将大型DataFrame输出到CSV文件的最快方法是什么？

4 个答案: