与 Matlab 相比，Numpy 加载 csv 太慢了

Question

我发布这个问题是因为我想知道我是否做错了什么才能得到这个结果。

我有一个中等大小的 csv 文件，我尝试使用 numpy 来加载它。为了说明，我使用python制作了文件：

import timeit
import numpy as np

my_data = np.random.rand(1500000, 3)*10
np.savetxt('./test.csv', my_data, delimiter=',', fmt='%.2f')

然后，我尝试了两种方法：numpy.genfromtxt，numpy.loadtxt

setup_stmt = 'import numpy as np'
stmt1 = """\
my_data = np.genfromtxt('./test.csv', delimiter=',')
"""
stmt2 = """\
my_data = np.loadtxt('./test.csv', delimiter=',')
"""

t1 = timeit.timeit(stmt=stmt1, setup=setup_stmt, number=3)
t2 = timeit.timeit(stmt=stmt2, setup=setup_stmt, number=3)

结果显示t1 = 32.159652940464184, t2 = 52.00093725634724。
但是，当我尝试使用 matlab 时：

tic
for i = 1:3
    my_data = dlmread('./test.csv');
end
toc

结果显示：经过的时间是3.196465秒。

我了解加载速度可能存在一些差异，但是：

1. 这远远超出了我的预期；
2. 不是说np.loadtxt应该比np.genfromtxt快吗？
3. 我还没有尝试过 python csv 模块，因为加载 csv 文件是我经常做的事情，而且使用 csv 模块，编码有点冗长......但如果是这样的话，我很乐意尝试唯一的办法。目前我更担心是不是我做错了什么。

任何意见将不胜感激。提前非常感谢！

Answer 1

如果您只想保存和读取 numpy 数组，最好根据大小将其保存为二进制或压缩二进制：

my_data = np.random.rand(1500000, 3)*10
np.savetxt('./test.csv', my_data, delimiter=',', fmt='%.2f')
np.save('./testy', my_data)
np.savez('./testz', my_data)
del my_data

setup_stmt = 'import numpy as np'
stmt1 = """\
my_data = np.genfromtxt('./test.csv', delimiter=',')
"""
stmt2 = """\
my_data = np.load('./testy.npy')
"""
stmt3 = """\
my_data = np.load('./testz.npz')['arr_0']
"""

t1 = timeit.timeit(stmt=stmt1, setup=setup_stmt, number=3)
t2 = timeit.timeit(stmt=stmt2, setup=setup_stmt, number=3)
t3 = timeit.timeit(stmt=stmt3, setup=setup_stmt, number=3)

genfromtxt 39.717250824
save 0.0667860507965
savez 0.268463134766

Answer 2

是的，将csv 文件读入numpy 非常慢。代码路径上有很多纯 Python。这些天来，即使我使用纯 numpy，我仍然使用 pandas 进行 IO：

>>> import numpy as np, pandas as pd
>>> %time d = np.genfromtxt("./test.csv", delimiter=",")
CPU times: user 14.5 s, sys: 396 ms, total: 14.9 s
Wall time: 14.9 s
>>> %time d = np.loadtxt("./test.csv", delimiter=",")
CPU times: user 25.7 s, sys: 28 ms, total: 25.8 s
Wall time: 25.8 s
>>> %time d = pd.read_csv("./test.csv", delimiter=",").values
CPU times: user 740 ms, sys: 36 ms, total: 776 ms
Wall time: 780 ms

或者，在像这样一个足够简单的情况下，您可以使用 Joe Kington 写的 here：

>>> %time data = iter_loadtxt("test.csv")
CPU times: user 2.84 s, sys: 24 ms, total: 2.86 s
Wall time: 2.86 s

还有 Warren Weckesser 的 textreader 库，以防 pandas 依赖太重：

>>> import textreader
>>> %time d = textreader.readrows("test.csv", float, ",")
readrows: numrows = 1500000
CPU times: user 1.3 s, sys: 40 ms, total: 1.34 s
Wall time: 1.34 s

Answer 3

也许最好安装一个简单的 c 代码，将数据转换为二进制文件并让 `numpy' 读取二进制文件。我有一个 20GB 的 CSV 文件要读取，CSV 数据是 int、double、str 的混合体。 Numpy 读取结构数组需要一个多小时，而转储到二进制文件大约需要 2 分钟，加载到 numpy 需要不到 2 秒！

例如，我的特定代码可用here。

Answer 4

FWIW 内置的 csv 模块效果很好，而且真的没有那么冗长。

csv 模块：

%%timeit
with open('test.csv', 'r') as f:
    np.array([l for l in csv.reader(f)])


1 loop, best of 3: 1.62 s per loop

np.loadtext:

%timeit np.loadtxt('test.csv', delimiter=',')

1 loop, best of 3: 16.6 s per loop

pd.read_csv:

%timeit pd.read_csv('test.csv', header=None).values

1 loop, best of 3: 663 ms per loop

我个人喜欢使用 pandas read_csv，但是当我使用纯 numpy 时，csv 模块很好。

Answer 5

我用perfplot（我的一个小项目）对建议的解决方案进行了性能测试，发现

pandas.read_csv(filename)

确实是最快的解决方案（如果读取的条目超过 2000 个，那么在此之前，一切都在毫秒范围内）。它比 numpy 的变体高出大约 10 倍。（numpy.fromfile 在这里只是为了比较，它无法读取实际的 csv 文件。）

重现情节的代码：

import numpy
import pandas
import perfplot

numpy.random.seed(0)
filename = "a.txt"


def setup(n):
    a = numpy.random.rand(n)
    numpy.savetxt(filename, a)
    return None


def numpy_genfromtxt(data):
    return numpy.genfromtxt(filename)


def numpy_loadtxt(data):
    return numpy.loadtxt(filename)


def numpy_fromfile(data):
    out = numpy.fromfile(filename, sep=" ")
    return out


def pandas_readcsv(data):
    return pandas.read_csv(filename, header=None).values.flatten()


def kington(data):
    delimiter = " "
    skiprows = 0
    dtype = float

    def iter_func():
        with open(filename, "r") as infile:
            for _ in range(skiprows):
                next(infile)
            for line in infile:
                line = line.rstrip().split(delimiter)
                for item in line:
                    yield dtype(item)
        kington.rowlength = len(line)

    data = numpy.fromiter(iter_func(), dtype=dtype).flatten()
    return data


b = perfplot.bench(
    setup=setup,
    kernels=[numpy_genfromtxt, numpy_loadtxt, numpy_fromfile, pandas_readcsv, kington],
    n_range=[2 ** k for k in range(23)],
)
b.save("out.png")