python pandas read_csv如何加快处理时间戳

时间:2015-06-22 16:24:54

标签: python pandas timestamp

(pandas 0.16.1,Python 2.7.8 Anaconda 2.1.0(64位),Intel Xeon 3.07GHz,Win7 64bit)

我有一个csv报价数据表。每天大约400k行。

sym         time                    bid     ask     bsize asize
XCME@6EM4   2014.05.07T08:10:02.407 1.3927  1.3928  28    29
XCME@6EM4   2014.05.07T08:10:02.430 1.3927  1.3928  27    29

使用pandas将其读入Python

pd.read_csv("quotes.csv", parse_dates = {'idx':[1]}, index_col = 'idx')

需要大约40秒。

知道这是否可以更快?人们已经建议了Cython解决方案in this post,但我想知道是否存在Python / pandas解决方案?

顺便说一句,下面这个不解析日期,一个错误?

pd.read_csv("quotes.csv", parse_dates = [1])

1 个答案:

答案 0 :(得分:4)

这是一个更好的选择

采取你的2线&使它们成为400k,无需解析为日期

In [34]: %timeit read_csv(StringIO(data + data2*200000),sep='\s+')
1 loops, best of 3: 328 ms per loop

In [35]: df = read_csv(StringIO(data + data2*200000),sep='\s+')

解析日期,你需要指定一个格式,因为这不是ISO 8601格式,因此在python空间中解析

In [36]: %timeit pd.to_datetime(x.time,format='%Y.%m.%dT%H:%M:%S.%f')
1 loops, best of 3: 2.43 s per loop

In [37]: df.time = pd.to_datetime(df.time,format='%Y.%m.%dT%H:%M:%S.%f')

In [38]: df.info()
<class 'pandas.core.frame.DataFrame'>
Int64Index: 400000 entries, 0 to 399999
Data columns (total 6 columns):
sym      400000 non-null object
time     400000 non-null datetime64[ns]
bid      400000 non-null float64
ask      400000 non-null float64
bsize    400000 non-null int64
asize    400000 non-null int64
dtypes: datetime64[ns](1), float64(2), int64(2), object(1)
memory usage: 21.4+ MB