在 Python 中合并具有数百万行的两个表

Question

我正在使用 Python 进行一些数据分析。我有两个表，第一个（我们称之为'A'）有 1000 万行和 10 列，第二个（'B'）有 7300 万行和 2 列。他们有 1 列具有共同的 id，我想根据该列将两个表相交。特别是我想要表的内部连接。

我无法将表 B 作为 pandas 数据框加载到内存中，以便在 pandas 上使用正常的合并功能。我尝试通过读取块上的表 B 的文件，将每个块与 A 相交并连接这些交叉点（内部连接的输出）。这在速度上是可以的，但时不时地给我带来问题并吐出分段错误......没有那么好。此错误很难重现，但它发生在两台不同的机器上（Mac OS X v10.6 (Snow Leopard) 和 UNIX、Red Hat Linux）。

我最终尝试了 Pandas 和 PyTables 的组合，方法是将表 B 写入磁盘，然后遍历表 A 并从表 B 中选择匹配的行。最后一个选项有效，但速度很慢。默认情况下，pytables 上的表 B 已被索引。

我该如何解决这个问题？

Answer 1

这有点伪代码，但我认为应该很快。

简单的基于磁盘的合并，所有表都在磁盘上。这 关键是你本身没有做选择，只是索引 通过启动/停止进入表格，速度非常快。

选择符合 B 中条件的行（使用 A 的 ID）不会 非常快，因为我认为它可能会将数据带入 Python 空间 而不是内核搜索（我不确定，但你可能想要 在内核优化部分中对 pytables.org 进行更多调查。 有一种方法可以判断它是否在内核中）。

另外，如果你能做到，这是一个非常平行的问题（只是不要写 结果从多个进程到同一个文件。 pytables 不是写安全的）。

请参阅this answer 以获取有关如何执行连接操作实际上是“内部”连接的评论。

对于您的 merge_a_b 操作，我认为您可以使用标准的 pandas join 这非常有效（在内存中时）。

另一个选项（取决于 A 的“大”程度）可能是将 A 分成 2 部分（索引相同），在第一个表中使用较小的（可能使用单列）；与其存储合并结果本身，不如存储行索引；稍后您可以提取所需的数据（有点像使用索引器并获取）。见http://pandas.pydata.org/pandas-docs/stable/io.html#multiple-table-queries

A = HDFStore('A.h5')
B = HDFStore('B.h5')

nrows_a = A.get_storer('df').nrows
nrows_b = B.get_storer('df').nrows
a_chunk_size = 1000000
b_chunk_size = 1000000

def merge_a_b(a,b):
    # Function that returns an operation on passed
    # frames, a and b.
    # It could be a merge, join, concat, or other operation that
    # results in a single frame.


for a in xrange(int(nrows_a / a_chunk_size) + 1):

    a_start_i = a * a_chunk_size
    a_stop_i  = min((a + 1) * a_chunk_size, nrows_a)

    a = A.select('df', start = a_start_i, stop = a_stop_i)

    for b in xrange(int(nrows_b / b_chunk_size) + 1):

        b_start_i = b * b_chunk_size
        b_stop_i = min((b + 1) * b_chunk_size, nrows_b)

        b = B.select('df', start = b_start_i, stop = b_stop_i)

        # This is your result store
        m = merge_a_b(a, b)

        if len(m):
            store.append('df_result', m)