Pandas SQL 块大小答案

【问题标题】：Pandas SQL chunksizePandas SQL 块大小
【发布时间】：2015-10-28 13:15:01
【问题描述】：

这更像是一个关于理解而不是编程的问题。我对 Pandas 和 SQL 很陌生。我正在使用 pandas 从具有特定块大小的 SQL 中读取数据。当我运行 sql 查询时，例如将熊猫导入为 pd

df = pd.read_sql_query('select name, birthdate from table1', chunksize = 1000)

我不明白的是，当我不给出块大小时，数据存储在内存中，我可以看到内存在增长，但是，当我给出块大小时，内存使用率并没有那么高。

我拥有的是这个 df 现在包含许多我可以访问的数组

for df_array in df:
    print df.head(5)

我不明白的是，如果 SQL 语句的整个结果都保存在内存中，即 df 是一个携带多个数组的对象，或者这些数组是否像指向由 SQL 查询创建的临时表的指针。

我很高兴能对这个过程的实际运作方式有所了解。

【问题讨论】：

标签： python sql-server pandas chunks

【解决方案1】：

让我们考虑两个选项，以及在这两种情况下会发生什么：

chunksize 为无（默认值）：
- pandas 将查询传递给数据库
- 数据库执行查询
- pandas 检查并发现 chunksize 为 None
- pandas 告诉数据库它想一次接收结果表的所有行
- 数据库返回结果表的所有行
- pandas 将结果表存储在内存中，并将其包装到数据帧中
- 现在您可以使用数据框了
chunksize 在非无：
- pandas 将查询传递给数据库
- 数据库执行查询
- pandas 检查并发现 chunksize 有一些价值
- pandas 创建一个查询迭代器（通常的 'while True' 循环会在数据库表示没有更多数据时中断），并在您每次需要结果表的下一个块时对其进行迭代
- pandas 告诉数据库它想要接收 chunksize 行
- 数据库从结果表中返回下一个块大小的行
- pandas 将下一个 chunksize 行存储在内存中并将其包装到数据帧中
- 现在您可以使用数据框了

更多细节你可以看pandas\io\sql.py模块，它有据可查

【讨论】：

注意，正如@joris 的回答中提到的，many database drivers already put all data into memory in the execute step。所以在很多情况下，chunksize 对内存使用没有多大帮助。

【解决方案2】：

当您不提供chunksize 时，查询的完整结果会立即放入数据框中。

当您提供chunksize 时，read_sql_query 的返回值是多个数据帧的迭代器。这意味着您可以像这样迭代：

for df in result:
    print df

在每个步骤中，df 是一个数据框（不是数组！），它保存了部分查询的数据。请参阅相关文档：http://pandas.pydata.org/pandas-docs/stable/io.html#querying

要回答有关内存的问题，您必须知道从数据库中检索数据有两个步骤：execute 和 fetch。
首先执行查询 (result = con.execute())，然后从该结果集中获取数据作为元组列表 (data = result.fetch())。获取时，您可以指定一次要获取的行数。当您提供 chunksize 时，这就是 pandas 所做的。
但是，许多数据库驱动程序已经在执行步骤中将所有数据放入内存中，而不仅仅是在获取数据时。所以在这方面，它对内存应该没有多大关系。除了将数据复制到 DataFrame 中这一事实之外，仅在使用 chunksize 进行迭代时发生在不同的步骤中。

【讨论】：

【解决方案3】：

当您有大量查询时，它基本上可以阻止您的服务器内存不足。

输出到 CSV

for chunk in pd.read_sql_query(sql , con, chunksize=10000):
    chunk.to_csv(os.path.join(tablename + ".csv"), mode='a',sep=',',encoding='utf-8')

或到镶木地板

count = 0
folder_path = 'path/to/output'

for chunk in pd.read_sql_query(sql , con, chunksize=10000):
    file_path = folder_path + '/part.%s.parquet' % (count)
    chunk.to_parquet(file_path, engine='pyarrow')
    count += 1

【讨论】：