除了panda和dask之外，还有什么更快的读取大数据集和应用行操作的方法

Question

我正在编写一段代码，需要根据大表的每一行填充一组数据结构。现在，我正在使用panda读取数据，并进行一些基本的数据验证预处理。然而，当我进入流程的其余部分并将数据放入相应的数据结构中时，完成循环和填充数据结构需要相当长的时间。例如，在下面的代码中，我有一个包含15M条记录的表。表有三列，我在每行上创建一个foo((对象，并将其添加到列表中。

# Profile.csv 
# Index    | Name | Family| DB
# ---------|------|-------|----------
# 0.       | Jane | Doe   | 08/23/1977
# ...
# 15000000 | Jhon | Doe   | 01/01/2000
class foo():
    def __init__(self, name, last, bd):
        self.name = name
        self.last = last
        self.bd = bd
def populate(row, my_list):
    my_list.append(foo(*row))
# reading the csv file and formatting the date column
df = pd.read_csv('Profile.csv')
df['DB'] = pd.to_datetime(df['DB'],'%Y-%m-%d')
# using apply to create an foo() object and add it to the list
my_list = []
gf.apply(populate, axis=1, args=(my_list,))

因此，在使用panda将字符串日期转换为日期对象之后，我只需要迭代DataFrame来创建我的对象并将它们添加到列表中。这个过程非常耗时(在我的真实示例中，由于我的数据结构更复杂，并且我有更多的列，所以它甚至需要更多的时间(。所以，我想知道在这种情况下，提高我的运行时间的最佳做法是什么。我甚至应该使用pandas来读取我的大表并逐行处理它们吗？

Answer 1

使用文件句柄会更快：

input_file = "profile.csv"
sep=";"
my_list = []
with open(input_file) as fh:
    cols = {}
    for i, col in enumerate(fh.readline().strip().split(sep)):
        cols[col] = i
    for line in fh:
        line = line.strip().split(sep)
        date = line[cols["DB"]].split("/")
        date = [date[2], date[0], date[1]]
        line[cols["DB"]] = "-".join(date)
        populate(line, my_list)

Answer 2

对于这种情况有多种方法，但最快、最有效的方法是尽可能使用矢量化。我在这篇文章中演示的使用矢量化的例子的解决方案如下：

my_list = [foo(*args) for args in zip(df["Name"],df["Family"],df["BD"])]

如果无法进行矢量化，则将数据framce转换为字典可以显著提高性能。对于当前的例子，如果是这样的话：

my_list = []
dc = df.to_dict()
for i, j in dc.items():
    my_list.append(foo(dc["Name"][i], dc["Family"][i], dc["BD"][i]))

如果结构和过程的类型更复杂，最后一种解决方案尤其有效。