to_excel - python pandas read_csv用法




HDF5-并发,压缩和I/O性能 (2)

更新为使用pandas 0.13.1

1)编号http://pandas.pydata.org/pandas-docs/dev/io.html#notes-caveats 。 有多种方法可以做到这一点,例如让不同的线程/进程写出计算结果,然后将一个进程组合​​起来。

2)根据您存储的数据类型,操作方式以及检索方式,HDF5可以提供更好的性能。 作为单个阵列存储在HDFStore中,浮动数据,压缩(换句话说,不以允许查询的格式存储),将被快速存储/读取。 即使以表格格式存储(这会降低写入性能),也会提供相当好的写入性能。 您可以查看一些详细的比较(这是HDFStore在引擎盖下使用的)。 http://www.pytables.org/ ,这是一张很好的照片:

(因为PyTables 2.3的查询现在被编入索引),所以perf实际上比这更好。所以回答你的问题,如果你想要任何一种性能,HDF5就是要走的路。

写作:

In [14]: %timeit test_sql_write(df)
1 loops, best of 3: 6.24 s per loop

In [15]: %timeit test_hdf_fixed_write(df)
1 loops, best of 3: 237 ms per loop

In [16]: %timeit test_hdf_table_write(df)
1 loops, best of 3: 901 ms per loop

In [17]: %timeit test_csv_write(df)
1 loops, best of 3: 3.44 s per loop

In [18]: %timeit test_sql_read()
1 loops, best of 3: 766 ms per loop

In [19]: %timeit test_hdf_fixed_read()
10 loops, best of 3: 19.1 ms per loop

In [20]: %timeit test_hdf_table_read()
10 loops, best of 3: 39 ms per loop

In [22]: %timeit test_csv_read()
1 loops, best of 3: 620 ms per loop

这是代码

import sqlite3
import os
from pandas.io import sql

In [3]: df = DataFrame(randn(1000000,2),columns=list('AB'))
<class 'pandas.core.frame.DataFrame'>
Int64Index: 1000000 entries, 0 to 999999
Data columns (total 2 columns):
A    1000000  non-null values
B    1000000  non-null values
dtypes: float64(2)

def test_sql_write(df):
    if os.path.exists('test.sql'):
        os.remove('test.sql')
    sql_db = sqlite3.connect('test.sql')
    sql.write_frame(df, name='test_table', con=sql_db)
    sql_db.close()

def test_sql_read():
    sql_db = sqlite3.connect('test.sql')
    sql.read_frame("select * from test_table", sql_db)
    sql_db.close()

def test_hdf_fixed_write(df):
    df.to_hdf('test_fixed.hdf','test',mode='w')

def test_csv_read():
    pd.read_csv('test.csv',index_col=0)

def test_csv_write(df):
    df.to_csv('test.csv',mode='w')    

def test_hdf_fixed_read():
    pd.read_hdf('test_fixed.hdf','test')

def test_hdf_table_write(df):
    df.to_hdf('test_table.hdf','test',format='table',mode='w')

def test_hdf_table_read():
    pd.read_hdf('test_table.hdf','test')

当然是YMMV。

我有关于HDF5性能和并发性的以下问题:

  1. HDF5是否支持并发写访问?
  2. 除了并发性考虑外,HDF5在I / O性能方面的表现如何压缩率会影响性能)吗?
  3. 由于我在Python中使用HDF5,它的性能与Sqlite相比如何呢?

参考文献:


看看pytables ,他们可能已经为你完成了很多这方面的工作。

也就是说,我不清楚如何比较hdf和sqlite。 hdf是一种通用的分层数据文件格式+ libraries和sqlite是一个关系数据库。

hdf确实支持c级别的并行I / O,但我不确定h5py包含了多少,或者它是否能与NFS一起运行。

如果你真的想要一个高度并发的关系数据库,为什么不使用真正的SQL服务器呢?





hdf5