除了熊猫和dask外，还有什么更快的方法来读取大数据集并应用按行操作？

问题描述

我正在编写一个代码，该代码需要根据大表的每一行填充一组数据结构。现在，我正在使用熊猫读取数据并进行一些基本的数据验证预处理。但是，当我进入其余过程并将数据放入相应的数据结构中时，完成循环并填充我的数据结构需要花费很长时间。例如，在下面的代码中，我有一个包含15 M条记录的表。表有三列，我在每一行的基础上创建一个foo（）对象，并将其添加到列表中。

# Profile.csv 
# Index    | Name | Family| DB
# ---------|------|-------|----------
# 0.       | Jane | Doe   | 08/23/1977
# ...
# 15000000 | Jhon | Doe   | 01/01/2000

class foo():
    def __init__(self,name,last,bd):
        self.name = name
        self.last = last
        self.bd = bd

def populate(row,my_list):
    my_list.append(foo(*row))

# reading the csv file and formatting the date column
df = pd.read_csv('Profile.csv')
df['DB'] = pd.to_datetime(df['DB'],'%Y-%m-%d')

# using apply to create an foo() object and add it to the list
my_list = []
gf.apply(populate,axis=1,args=(my_list,))

因此，在使用pandas将字符串date转换为date对象之后，我只需要遍历DataFrame来创建我的对象并将它们添加到列表中。这个过程非常耗时（在我的真实示例中，由于我的数据结构更复杂并且我拥有更多列，因此甚至花费更多时间）。因此，我想知道在这种情况下延长我的运行时间的最佳实践是什么。我是否应该甚至使用pandas来读取我的大表并逐行处理它们？

解决方法

使用文件句柄会更快：

input_file = "profile.csv"
sep=";"
my_list = []
with open(input_file) as fh:
    cols = {}
    for i,col in enumerate(fh.readline().strip().split(sep)):
        cols[col] = i
    for line in fh:
        line = line.strip().split(sep)
        date = line[cols["DB"]].split("/")
        date = [date[2],date[0],date[1]]
        line[cols["DB"]] = "-".join(date)
        populate(line,my_list)

,

针对这种情况有多种方法，但是，最快和最有效的方法是尽可能使用矢量化。我在本文中使用矢量化演示的示例的解决方案如下：

my_list = [foo(*args) for args in zip(df["Name"],df["Family"],df["BD"])]

如果无法进行矢量化，则将数据帧转换为字典可以显着提高性能。对于当前示例，if将类似于：

my_list = []
dc = df.to_dict()
for i,j in dc.items():
    my_list.append(foo(dc["Name"][i],dc["Family"][i],dc["BD"][i]))

如果结构和过程的类型更加复杂，则最后一种解决方案特别有效。