这更多的是一个理解问题而不是编程问题。 我对 Pandas 和 SQL 很陌生。我正在使用 pandas 从 SQL 中读取具有特定块大小的数据。 当我运行 sql 查询时,例如 将 pandas 导入为 pd
df = pd.read_sql_query('select name, birthdate from table1', chunksize = 1000)
我不明白的是,当我不给出块大小时,数据存储在内存中,我可以看到内存在增长,但是,当我给出块大小时,内存使用量并不那么高。
我知道这个 df 现在包含许多数组,我可以将其访问为
for df_array in df:
print df.head(5)
我在这里不明白的是,SQL 语句的整个结果是否保存在内存中,即 df 是一个携带多个数组的对象,或者它们是否像指向 SQL 查询创建的临时表的指针。
我很高兴能够了解这个过程的实际运作方式。
当您不提供
chunksize
时,查询的完整结果将立即放入数据框中。
当您提供
chunksize
时,read_sql_query
的返回值是多个数据帧的迭代器。这意味着您可以像这样迭代:
for df in result:
print df
并且在每个步骤中
df
是一个数据框(不是数组!),它保存查询的一部分的数据。请参阅有关此的文档:http://pandas.pydata.org/pandas-docs/stable/io.html#querying
要回答有关内存的问题,您必须知道从数据库检索数据有两个步骤:
execute
和fetch
。result = con.execute()
),然后从结果集中以元组列表的形式获取数据 (data = result.fetch()
)。获取时,您可以指定一次要获取多少行。这就是当你提供 chunksize
时 pandas 所做的事情。chunksize
进行迭代时的不同步骤中。
它基本上是为了在您进行大量查询时阻止服务器内存不足。
输出为 CSV
for chunk in pd.read_sql_query(sql , con, chunksize=10000):
chunk.to_csv(os.path.join(tablename + ".csv"), mode='a',sep=',',encoding='utf-8')
或外出使用镶木地板
count = 0
folder_path = 'path/to/output'
for chunk in pd.read_sql_query(sql , con, chunksize=10000):
file_path = folder_path + '/part.%s.parquet' % (count)
chunk.to_parquet(file_path, engine='pyarrow')
count += 1