熊猫可以编译大量数据帧的最快方法

Question

我目前正在用熊猫编译一些数据帧，目前有 99 个工作簿，大约有 200,000 行数据和几列。该练习筛选这些列之一，并获取所有筛选数据的组合工作簿。

最初，我使用一个列表将所有过滤后的数据附加到一个数据帧，然后写出生成的 csv，如下所示：

appended_data=[]
for fname in os.listdir(readpath):
    if 'xlsx' in fname:
        ex_wbk = os.path.join(readpath + fname)
        try:
            fName = os.path.join(readpath + "\" + fname)
            fBase = os.path.basename(fName)
            df = pd.read_excel(fName, index = False, index_col=None, na_values='')
            df.drop(df.iloc[:, 2:4], inplace = True, axis = 1) 
            df.dropna(subset=['Data Line'], inplace=True)
            appended_data.append(df)
            errorbook = ex_wbk
        except OSError:
            print(str(errorbook) + " Workbook in use")
            pass
appended_data = pd.concat(appended_data, sort=True)
appended_data.to_excel(home, header=False, index=False)

这需要 789 秒才能运行

---

然后，我想到只用过滤的数据制作每个工作簿的 csv 文件并编译所有这些。如下：

for filename in os.listdir(homedir):
    if filename.endswith(".xlsx"):
        fName = os.path.join(homedir + "\" + filename)
        fBase = os.path.basename(fName)
        fRaw = os.path.splitext(fBase)[0]
        df = pd.read_excel(fName, index = False)
        df.drop(df.iloc[:, 2:4], inplace = True, axis = 1) 
        df.dropna(subset=['Data Line'], inplace=True)
        df.to_csv(path_or_buf=home, header=True, index=False)
all_files = glob.glob(homedir + "/*.csv")
df = pd.concat((pd.read_csv(f) for f in all_files))
os.path.join(path, "*.csv")
df.to_csv ("D:\Users\cdoyle\Desktop\short\combined_csv.csv", index=False, encoding='utf-8-sig')

这需要 610 秒才能运行

---

有没有比上述更快的方法？

Answer 1

你有没有分析过你的代码？没有它，您将无法真正知道在哪里可以获得最大的好处，也很难做出良好的猜测。

不过，我注意到您正在阅读电子表格，只有在它加载到内存中后才会丢弃几列。如果您之前已经将其委托给读者，您可能会得到一些改进：

column_indices_to_preserve = […]
pd.read_excel(…, usecols=column_indices_to_preserve)

这将阻止您至少对数据进行一次额外的传递，这是可取的。它还将减少每个数据结构的内存占用。