熊猫数据帧到Vertica表插入速度更快

Question

我有这样的代码。它工作正常，但将数据加载到 Vertica 中需要太多时间。大约 10 行 1000 分钟。是否有任何替代/更快的方法可以在 Vertica 中插入数据。

import pandas as pd
import vertica_python
conn_info = {'host': '127.0.0.1',
'user': 'some_user',
'password': 'some_password',
'database': 'a_database'}
connection = vertica_python.connect(**conn_info)
df = pd.DataFrame({'User':['101','101','101','102','102','101','101','102','102','102'],'Country':['India','Japan','India','Brazil','Japan','UK','Austria','Japan','Singapore','UK']})
lists= df.values.tolist()
with connection.cursor() as cursor:
for x in lists:
cursor.execute("insert into test values (%s,%s)" , x)
connection.commit()

谢谢

Answer 1

您应该在cursor.copy选项中使用而不是cursor.execute。

例如：

# add new import:
import cStringIO
...
# temporary buffer
buff = cStringIO.StringIO()
# convert data frame to csv type
for row in df.values.tolist():
buff.write('{}|{}n'.format(*row))
# now insert data
with connection.cursor() as cursor:
cursor.copy('COPY test (Country, "User") FROM STDIN COMMIT' , buff.getvalue())

在我的测试系统上以下结果

您的实现：

$ time ./so.py
real    0m4.175s
user    0m0.523s
sys 0m0.101s

我的实现：

$ time ./so.py
real    0m0.814s
user    0m0.530s
sys 0m0.078s

快 5 倍(4.175 秒对 0.814 秒(。