如何使用pandas并行读取.xls？

Question

我想用pandas并行读取一个大的.xls文件。 目前我正在使用这个：

LARGE_FILE = "LARGEFILE.xlsx"
CHUNKSIZE = 100000 # processing 100,000 rows at a time

def process_frame(df):
      # process data frame
      return len(df)

if __name__ == '__main__':
      reader = pd.read_excel(LARGE_FILE, chunksize=CHUNKSIZE)
      pool = mp.Pool(4) # use 4 processes

      funclist = []
      for df in reader:
              # process each data frame
              f = pool.apply_async(process_frame,[df])
              funclist.append(f)

      result = 0
      for f in funclist:
              result += f.get(timeout=10) # timeout in 10 seconds

虽然这样运行，但我认为它实际上不会加快读取文件的过程。有没有更有效的方法来实现这一目标？

Answer 1

仅供参考：我在大约4秒内读取13 MB，29000行csv。 （不使用并行处理） Archlinux，AMD Phenom II X2，Python 3.4，python-pandas 0.16.2。

您的文件有多大，阅读需要多长时间？ 这将有助于更好地理解问题。 你的Excel表格非常复杂吗？也许read_excel难以处理这种复杂性？

建议：安装genumeric并使用辅助函数ssconvert将文件转换为csv。在您的程序中更改为read_csv。检查ssconvert使用的时间和read_csv所用的时间。 顺便说一句，python-pandas从13版本开始有了重大的改进...... 16，因此可以检查你是否有最新的版本。