用于批量数据库插入的 Pandas 数据帧到对象实例数组效率

Question

我有一个 Pandas 数据框，格式为：

Time    Temperature    Voltage    Current
0.0     7.8            14         56
0.1     7.9            12         58
0.2     7.6            15         55
... So on for a few hundred thousand rows...

我需要尽可能快地将数据批量插入 PostgreSQL 数据库。这是一个 Django 项目，我目前正在使用 ORM 进行数据库操作和构建查询，但如果有更有效的方法来完成任务，欢迎提出建议。

我的数据模型如下所示：

class Data(models.Model):
    time = models.DateTimeField(db_index=True)
    parameter = models.ForeignKey(Parameter, on_delete=models.CASCADE)
    parameter_value = models.FloatField()

所以Time 是DataFrame 的row[0]，然后对于每个标题列，我获取与其对应的值，将标题用作parameter。所以示例表的row[0] 将在我的数据库中生成3 个Data 对象：

Data(time=0.0, parameter="Temperature", parameter_value=7.8)
Data(time=0.0, parameter="Voltage", parameter_value=14)
Data(time=0.0, parameter="Current", parameter_value=56)

我们的应用程序允许用户解析以毫秒为单位的数据文件。所以我们从一个文件中生成了很多单独的数据对象。我当前的任务是改进解析器，使其更加高效，直到我们在硬件级别达到 I/O 限制。

我当前的解决方案是遍历每一行，为time + parameter + value 上的每一行创建一个Data 对象，并将所述对象附加到一个数组中，这样我就可以通过Django 进行Data.objects.bulk_create(all_data_objects)。当然我知道这是低效的，可能会有很多改进。

使用此代码：

# Convert DataFrame to dict
df_records = df.to_dict('records')

# Start empty dta array
all_data_objects = []

# Go through each row creating objects and appending to data array
for row in df_records:
    for parameter, parameter_value in row.items():
        if parameter != "Time":
            all_data_objects.append(Data(
                    time=row["Time"],
                    parameter_value=parameter_value,
                    parameter=parameter))

# Commit data to Postgres DB
Data.objects.bulk_create(all_data)

目前整个操作，没有包括DB插入操作（写入磁盘），即只生成Data对象数组，对于一个55mb的文件，生成大约600万个单独的@ 987654334@ 个对象大约需要 370 秒。仅df_records = df.to_dict('records') 行就需要 83 秒。使用time.time()在每个部分的两端测量时间并计算差异。

我该如何改善这些时间？

Answer 1

如果您真的需要快速解决方案，我建议您直接使用 pandas 来哑化表格。

首先让我们为您的示例创建数据：

import pandas as pd

data = {
    'Time': {0: 0.0, 1: 0.1, 2: 0.2},
    'Temperature': {0: 7.8, 1: 7.9, 2: 7.6},
    'Voltage': {0: 14, 1: 12, 2: 15},
    'Current': {0: 56, 1: 58, 2: 55}
}
df = pd.DataFrame(data)

现在您应该转换数据框，以便您拥有带有melt 的所需列：

df = df.melt(["Time"], var_name="parameter", value_name="parameter_value")

此时您应该将parameter 值映射到外部id。我将以params为例：

params = {"Temperature": 1, "Voltage": 2, "Current": 3}
df["parameter"] = df["parameter"].map(params)

此时数据框将如下所示：

   Time  parameter  parameter_value
0   0.0          1              7.8
1   0.1          1              7.9
2   0.2          1              7.6
3   0.0          2             14.0
4   0.1          2             12.0
5   0.2          2             15.0
6   0.0          3             56.0
7   0.1          3             58.0
8   0.2          3             55.0

现在要使用 pandas 导出，您可以使用：

import sqlalchemy as sa
engine = sa.create_engine("use your connection data")
df.to_sql(name="my_table", con=engine, if_exists="append", index=False)

但是，当我使用它时，它的速度不足以满足我们的要求。所以我建议你使用cursor.copy_from insted，因为它更快：

from io import StringIO

output = StringIO()
df.to_csv(output, sep=';', header=False, index=False, columns=df.columns)
output.getvalue()
# jump to start of stream
output.seek(0)

# Insert df into postgre
connection = engine.raw_connection()
with connection.cursor() as cursor:
    cursor.copy_from(output, "my_table", sep=';', null="NULL", columns=(df.columns))
    connection.commit()

我们尝试了几百万次，这是使用 PostgreSQL 时最快的方法。

Answer 2

您不需要为所有行创建数据对象。 SqlAlchemy 也支持这种方式的批量插入：

data.insert().values([
                    dict(time=0.0, parameter="Temperature", parameter_value=7.8),
                    dict(time=0.0, parameter="Voltage", parameter_value=14)
                ])

更多详情请见https://docs.sqlalchemy.org/en/13/core/dml.html?highlight=insert%20values#sqlalchemy.sql.expression.ValuesBase.values。

如果您只需要插入数据，则不需要 pandas，并且可以为您的数据文件使用不同的解析器（或编写您自己的解析器，具体取决于您的数据文件的格式）。此外，将数据集拆分为更小的部分并并行化插入命令可能是有意义的。