Question

我有数据扩充代码，需要附加到csv文件中。数据约为数百万。需要2-3天。有没有更快的选择？如果我们需要数百万次的追加操作，HDF5的速度有多快？

编辑：代码：仅供参考

def insert_data(directory, annotated_csv, output_csv):
    data = pd.read_csv(annotated_csv)
    data.to_csv(output_csv,index = False)
    counter = 0
    print("number of files: ", len(os.listdir(directory)))

    datachunk = []

    for fname in glob.glob(directory + '/*jpg'):



        fname = fname.split('/')[-1]

        counter = counter + 1

        if counter % 10000 == 0:
            df_tmp = pd.DataFrame(data=datachunk, columns=data.columns)

            df_tmp.to_csv(output_csv,mode = 'a', index = False, header=False)

            datachunk = []

            print("counter: "+ str(counter))


        try:    
            ofile = fname.split("-")[0]
            flabel = "'" + fname.split("-")[3] + "'"

            ofile = ofile +'.jpg'

            BB, MB, SB = get_all_bb(data, ofile)

            BB[0] = fname
            MB[0] = fname
            SB[0] = fname

            BB[7] = flabel
            MB[7] = flabel
            SB[7] = flabel

            datachunk.append(BB)
            datachunk.append(MB)
            datachunk.append(SB)

        except:
            print("Exception on"+ str(fname))
            pass

    df_tmp = pd.DataFrame(data=datachunk, columns=data.columns)       
    df_tmp.to_csv(output_csv,mode = 'a', index = False, header=False)
    print("counter: "+ str(counter))

此代码仅提供了正在发生的情况的概览。

Answer 1

使用简单的熊猫只会利用CPU的单个内核进行计算。

解决方案：

您可以将 multiprocessing 与熊猫结合使用，以加快此附加计算的速度。使用多处理，您将能够减少处理时间，具体取决于CPU的内核数。机器的核心数越多，处理时间越短。

可以从以下链接中引用使用熊猫进行多处理的示例实现：http://datumorphism.com/til/programming/pandas/pandas-parallel-multiprocessing/

有关更多详细说明，请参阅： https://towardsdatascience.com/make-your-own-super-pandas-using-multiproc-1c04f41944a1

CSV和熊猫的更快替代品

1 个答案: