熊猫to_sql参数和性能

Question

我目前正在尝试稍微调整一些脚本的性能，并且似乎瓶颈始终是使用pandas to_sql函数实际插入数据库（= MSSQL）的地方。

其中一个因素是mssql的参数限制2100。

我与sqlalchemy建立了连接（具有mssql + pyodbc风味）：

engine = sqlalchemy.create_engine("mssql+pyodbc:///?odbc_connect=%s" % params, fast_executemany=True)

在插入时，我使用了块大小（所以我保持在参数限制和method =“ multi”以下）：

dataframe_audit.to_sql(name="Audit", con=connection, if_exists='append', method="multi",
                               chunksize=50, index=False)

这导致以下（不幸的是非常不一致的）性能：

我不确定该怎么看：

• 不一致似乎源于DB Server本身
• 更大的块大小似乎并不能转化为更好的性能（反之亦然！）
• 也许我应该从pyodbc切换到turbodbc（根据一些帖子，它会产生更好的性能）

有什么想法可以为我的DataFrame带来更好的插入性能吗？

Answer 1

如果您在SQLAlchemy fast_executemany=True调用中将最新版本的pyodbc与ODBC Driver 17 for SQL Server一起使用，并且将create_engine用于SQLAlchemy method=None（默认），则您的to_sql通话。这样，pyodbc可以使用ODBC参数数组，并在该设置下提供最佳性能。您将不会达到2100个参数的SQL Server存储过程限制（除非您的DataFrame有〜2100列）。您将面临的唯一限制是，如果您的Python进程在将其发送到SQL Server之前没有足够的内存来构建整个参数数组。

method='multi'的{​​{1}}选项仅在使用不支持参数数组的ODBC驱动程序（例如FreeTDS ODBC）时适用于pyodbc。在这种情况下，to_sql将无济于事，并且可能实际上会导致错误。