在 Pandas 中加入两个大型数据集的最佳方法

Question

我正在从需要连接的两个不同数据库中下载两个数据集。当我将它们存储为 CSV 时，它们每个分别约为 500MB。分别装入内存，但是当我同时加载两者时，有时会出现内存错误。当我尝试将它们与熊猫合并时，我肯定会遇到麻烦。

在它们上进行外部联接的最佳方法是什么，以免出现内存错误？我手头没有任何数据库服务器，但如果有帮助，我可以在我的计算机上安装任何类型的开源软件。理想情况下，我仍然想只在 pandas 中解决它，但不确定这是否可能。

澄清一下：合并是指外部连接。每个表有两行：产品和版本。我想检查哪些产品和版本仅在左表、仅右表和两个表中。我用

pd.merge(df1,df2,left_on=['product','version'],right_on=['product','version'], how='outer')

Answer 1

这似乎是 dask 设计的任务。从本质上讲，dask 可以在内核外执行pandas 操作，因此您可以使用不适合内存的数据集。 dask.dataframe API 是pandas API 的一个子集，因此不应该有太多的学习曲线。请参阅Dask DataFrame Overview 页面了解更多 DataFrame 特定详细信息。

import dask.dataframe as dd

# Read in the csv files.
df1 = dd.read_csv('file1.csv')
df2 = dd.read_csv('file2.csv')

# Merge the csv files.
df = dd.merge(df1, df2, how='outer', on=['product','version'])

# Write the output.
df.to_csv('file3.csv', index=False)

假设'product' 和'version' 是仅有的列，将merge 替换为：

df = dd.concat([df1, df2]).drop_duplicates()

我不完全确定这是否会更好，但显然未在索引上完成的合并在dask 中是“慢速”，因此值得一试。

Answer 2

我建议你使用像 MySQL 这样的 RDBMS...

所以你需要先load your CSV files into tables。

之后您可以执行检查：

哪些产品和版本仅在左表中

SELECT a.product, a.version
FROM table_a a
LEFT JOIN table_b b
ON a.product = b.product AND a.version = b.version
WHERE b.product IS NULL;

哪些产品和版本只在正确的表中

SELECT b.product, b.version
FROM table_a a
RIGHT JOIN table_b b
ON a.product = b.product AND a.version = b.version
WHERE a.product IS NULL;

两者都有

SELECT a.product, a.version
FROM table_a a
JOIN table_b b
ON a.product = b.product AND a.version = b.version;

Configure your MySQL Server，使其至少使用 2GB 内存

您可能还想为您的表使用 MyISAM 引擎，在这种情况下检查 this

与 Pandas 相比，它的运行速度可能会慢一些，但绝对不会出现内存问题。

另一种可能的解决方案：

• 增加内存
• 在多个集群节点上使用 Apache Spark SQL（分布式 DataFrame） - 虽然增加 RAM 会便宜得多