在Python

时间:2015-10-17 21:26:04

标签: python bigdata psycopg2

上下文

我在python中有一个函数,在我的表中得分。我想算术地计算所有行的分数(例如,计算分数的总和,平均值等)。

def compute_score(row):
  # some complicated python code that would be painful to convert into SQL-equivalent
  return score

显而易见的第一种方法是简单地读入所有数据

import psycopg2

def sum_scores(dbname, tablename):
  conn = psycopg2.connect(dbname)
  cur = conn.cursor()
  cur.execute('SELECT * FROM ?', tablename)
  rows = cur.fetchall()
  sum = 0
  for row in rows:
    sum += score(row)
  conn.close()
  return sum

问题

我希望能够处理数据库可以容纳的数据。这可能会更大,以适应Python的内存,所以fetchall()在我看来就好像在这种情况下无法正常运行。

提议的解决方案

我正在考虑3种方法,所有这些方法都是为了一次处理几条记录:

  1. 使用fetchone()

    进行逐个记录处理
    def sum_scores(dbname, tablename):
      ...
      sum = 0
      for row_num in cur.rowcount:
        row = cur.fetchone()
        sum += score(row)
      ...
      return sum
    
  2. 使用fetchmany(n)

    进行批量记录处理
    def sum_scores(dbname, tablename):
      ...
      batch_size = 1e3 # tunable
      sum = 0
      batch = cur.fetchmany(batch_size)  
      while batch:
        for row in batch:
          sum += score(row)
        batch = cur.fetchmany(batch_size)
      ...
      return sum
    
  3. 依赖游标的迭代器

    def sum_scores(dbname, tablename):
      ...
      sum = 0
      for row in cur:
        sum += score(row)
      ...
      return sum
    
  4. 问题

    1. 我的想法是否正确,因为我提出的3个解决方案一次只能提取可管理大小的数据块?或者他们遇到与fetchall相同的问题?

    2. 对于LARGE数据集,3个提出的解决方案中哪一个可以正常工作(即计算正确的分数组合而不是崩溃)?

    3. 游标的迭代器(建议的解决方案#3)如何实际将数据输入Python的内存?一个接一个,分批,或一次一个?

1 个答案:

答案 0 :(得分:4)

所有3个解决方案都可以使用,并且只将结果的一部分带入内存。

如果将名称传递给光标,则通过游标进行迭代,建议的解决方案#3将与建议的解决方案#2相同。迭代光标将获取 itersize 记录(默认为2000)。

解决方案#2和#3将比#1快得多,因为连接开销要少得多。

http://initd.org/psycopg/docs/cursor.html#fetch