将 pandas 数据框转换为内存中的类似文件的对象？

Question

我每天将大约 2 到 250 万条记录加载到 Postgres 数据库中。

然后我使用 pd.read_sql 读取这些数据以将其转换为数据框，然后我进行一些列操作和一些小的合并。我将这些修改后的数据保存为单独的表格供其他人使用。

当我执行 pd.to_sql 时，它需要很长时间。如果我保存一个 csv 文件并在 Postgres 中使用 COPY FROM，整个过程只需要几分钟，但服务器在单独的机器上，在那里传输文件很痛苦。

使用 psycopg2，看起来我可以使用 copy_expert 从批量复制中受益，但仍然使用 python。如果可能的话，我想避免编写实际的 csv 文件。我可以使用 pandas 数据框在内存中执行此操作吗？

这是我的熊猫代码示例。如果可能的话，我想添加 copy_expert 或其他东西以更快地保存这些数据。

    for date in required_date_range:
        df = pd.read_sql(sql=query, con=pg_engine, params={'x' : date})
        ...
        do stuff to the columns
        ...
        df.to_sql('table_name', pg_engine, index=False, if_exists='append',  dtype=final_table_dtypes)

有人可以帮我提供示例代码吗？我还是更喜欢使用 pandas，在内存中这样做会很好。如果没有，我会写一个 csv 临时文件并这样做。

编辑-这是我的最终代码。每个日期（数百万行）只需要几百秒，而不是几个小时。

to_sql = """使用 CSV 标头从标准输入复制 %s"""

def process_file(conn, table_name, file_object):
    fake_conn = cms_dtypes.pg_engine.raw_connection()
    fake_cur = fake_conn.cursor()
    fake_cur.copy_expert(sql=to_sql % table_name, file=file_object)
    fake_conn.commit()
    fake_cur.close()


#after doing stuff to the dataframe
    s_buf = io.StringIO()
    df.to_csv(s_buf) 
    process_file(cms_dtypes.pg_engine, 'fact_cms_employee', s_buf)

Answer 1

Python 模块 io(docs) 具有用于类文件对象的必要工具。

import io

# text buffer
s_buf = io.StringIO()

# saving a data frame to a buffer (same as with a regular file):
df.to_csv(s_buf)

编辑。 （我忘了）为了以后从缓冲区中读取，它的位置应该设置在开头：

s_buf.seek(0)

我不熟悉psycopg2，但根据docscopy_expert和copy_from都可以使用，例如：

cur.copy_from(s_buf, table)

（对于 Python 2，请参阅 StringIO。）

Answer 2

我在实施 ptrj 的解决方案时遇到了问题。

我认为问题源于 pandas 将缓冲区的 pos 设置到末尾。

如下：

from StringIO import StringIO
df = pd.DataFrame({"name":['foo','bar'],"id":[1,2]})
s_buf = StringIO()
df.to_csv(s_buf)
s_buf.__dict__

# Output
# {'softspace': 0, 'buflist': ['foo,1\n', 'bar,2\n'], 'pos': 12, 'len': 12, 'closed': False, 'buf': ''}

请注意 pos 为 12。我必须将 pos 设置为 0 才能使后续的 copy_from 命令起作用

s_buf.pos = 0
cur = conn.cursor()
cur.copy_from(s_buf, tablename, sep=',')
conn.commit()