如何在 PYTHON 中加快将 DBF 文件读取到 Dataframe 的速度?

如何解决如何在 PYTHON 中加快将 DBF 文件读取到 Dataframe 的速度?

我正在使用以下例程 dbf2DF (https://gist.github.com/ryan-hill/f90b1c68f60d12baea81) 将 .dbf 文件读入数据帧。

import pysal as ps
import pandas as pd
'''
Arguments
---------
dbfile  : DBF file - Input to be imported
upper   : Condition - If true,make column heads upper case
'''

    def dbf2DF(dbfile,upper=True): #Reads in DBF files and returns Pandas DF
        db = ps.open(dbfile) #Pysal to open DBF
        d = {col: db.by_col(col) for col in db.header} #Convert dbf to dictionary
        #pandasDF = pd.DataFrame(db[:]) #Convert to Pandas DF
        pandasDF = pd.DataFrame(d) #Convert to Pandas DF
        if upper == True: #Make columns uppercase if wanted 
            pandasDF.columns = map(str.upper,db.header) 
        db.close() 
        return pandasDF

虽然它可以满足我的要求,但速度很慢 - 170 万条记录需要 56 秒。

其中,处理以下行需要 54 秒:

d = {col: db.by_col(col) for col in db.header} #Convert dbf to dictionary

我的问题是 - 我们可以通过消除“for”循环来加快这条线吗?

解决方法

您没有提到文件中有多少列。这可能会对以下操作所需的时间产生重大影响。下面的代码在 33 列的 130 万条记录上花费了大约 70 秒。但是,当列数减少到 10 时,所需时间约为 25 秒。

此代码不考虑备注字段。

我正在使用 Ethan Furman's .dbf 库 https://pypi.org/project/dbf/

.dbf 文件是一种固定宽度格式的文件,其中包含一些描述列、记录计数等的元数据...

Pandas 有一个 read_fwf 函数,您可以使用它来读取 .dbf 文件的数据部分,并传递列的宽度和名称。

import io
from collections import defaultdict
import pandas as pd
import numpy as np
import regex
import dbf

def format_dates(df,columns):
    if columns:
        df[columns] = df[columns].astype(np.datetime64,errors='ignore')

def format_float(df,columns):
    if columns:
        df[columns] = df[columns].astype(np.float64,errors='ignore')

def format_int(df,columns):
    if columns:
        df[columns] = df[columns].astype(np.int64,errors='ignore')

def format_bool(df,columns):
    if columns:
        df[columns] = df[columns].apply(lambda x: np.where(x == 'T',True,False))

def get_dbf_field_meta(table,keep_delete_mark=False):
    column_names = []
    field_types = defaultdict(list)
    field_sizes = []
    if keep_delete_mark:
        column_names.append('dbf_delete')
        field_sizes.append(1)
    column_names.extend(table.field_names)
    for field in table.field_names:
        fld_info = table.field_info(field)
        field_sizes.append(fld_info[1])
        ftype = fld_info[3]
        if ftype == 'default':
            ftype = ['float','int'][fld_info[0] == '78']
        field_types[ftype].append(field)

    return column_names,field_types,field_sizes

def get_fwf_dataframe_from_dbf(table_name):
    with dbf.Table(table_name).open(dbf.READ_ONLY) as table:
        column_names,field_sizes = get_dbf_field_meta(table,keep_delete_mark=True)

        # how far to read .dbf file to reach data
        skip_meta = len(table._meta.header._data)
        data = table._meta.dfd.read()[skip_meta:-1].decode('cp1252')

        chunk_size = min(20000 * table.record_length,len(data))
        df = pd.DataFrame(columns=column_names)
        while data:
            chunk,data = data[:chunk_size],data[chunk_size:]
            chunk = '\n'.join(regex.findall(f'.{{{table.record_length}}}',chunk)) + '\n'
            iodata = io.StringIO(chunk)
            incoming = pd.read_fwf(iodata,widths=field_sizes,names=column_names,header=None,keep_default_na=False,dtype=object,index_col=False)
            df = pd.concat([df,incoming])
            del iodata,incoming

        # typecast columns
        format_dates(df,field_types.get(datetime.date,[]))
        format_float(df,field_types.get('float',[]))
        format_int(df,field_types.get('int',[]))
        format_bool(df,field_types.get(bool,[]))
    return df

if __name__ == '__main__':
    table_name = r"<your table>"
    df = get_fwf_dataframe_from_dbf(table_name)

版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。

相关推荐


依赖报错 idea导入项目后依赖报错,解决方案:https://blog.csdn.net/weixin_42420249/article/details/81191861 依赖版本报错:更换其他版本 无法下载依赖可参考:https://blog.csdn.net/weixin_42628809/a
错误1:代码生成器依赖和mybatis依赖冲突 启动项目时报错如下 2021-12-03 13:33:33.927 ERROR 7228 [ main] o.s.b.d.LoggingFailureAnalysisReporter : *************************** APPL
错误1:gradle项目控制台输出为乱码 # 解决方案:https://blog.csdn.net/weixin_43501566/article/details/112482302 # 在gradle-wrapper.properties 添加以下内容 org.gradle.jvmargs=-Df
错误还原:在查询的过程中,传入的workType为0时,该条件不起作用 &lt;select id=&quot;xxx&quot;&gt; SELECT di.id, di.name, di.work_type, di.updated... &lt;where&gt; &lt;if test=&qu
报错如下,gcc版本太低 ^ server.c:5346:31: 错误:‘struct redisServer’没有名为‘server_cpulist’的成员 redisSetCpuAffinity(server.server_cpulist); ^ server.c: 在函数‘hasActiveC
解决方案1 1、改项目中.idea/workspace.xml配置文件,增加dynamic.classpath参数 2、搜索PropertiesComponent,添加如下 &lt;property name=&quot;dynamic.classpath&quot; value=&quot;tru
删除根组件app.vue中的默认代码后报错:Module Error (from ./node_modules/eslint-loader/index.js): 解决方案:关闭ESlint代码检测,在项目根目录创建vue.config.js,在文件中添加 module.exports = { lin
查看spark默认的python版本 [root@master day27]# pyspark /home/software/spark-2.3.4-bin-hadoop2.7/conf/spark-env.sh: line 2: /usr/local/hadoop/bin/hadoop: No s
使用本地python环境可以成功执行 import pandas as pd import matplotlib.pyplot as plt # 设置字体 plt.rcParams[&#39;font.sans-serif&#39;] = [&#39;SimHei&#39;] # 能正确显示负号 p
错误1:Request method ‘DELETE‘ not supported 错误还原:controller层有一个接口,访问该接口时报错:Request method ‘DELETE‘ not supported 错误原因:没有接收到前端传入的参数,修改为如下 参考 错误2:cannot r
错误1:启动docker镜像时报错:Error response from daemon: driver failed programming external connectivity on endpoint quirky_allen 解决方法:重启docker -&gt; systemctl r
错误1:private field ‘xxx‘ is never assigned 按Altʾnter快捷键,选择第2项 参考:https://blog.csdn.net/shi_hong_fei_hei/article/details/88814070 错误2:启动时报错,不能找到主启动类 #
报错如下,通过源不能下载,最后警告pip需升级版本 Requirement already satisfied: pip in c:\users\ychen\appdata\local\programs\python\python310\lib\site-packages (22.0.4) Coll
错误1:maven打包报错 错误还原:使用maven打包项目时报错如下 [ERROR] Failed to execute goal org.apache.maven.plugins:maven-resources-plugin:3.2.0:resources (default-resources)
错误1:服务调用时报错 服务消费者模块assess通过openFeign调用服务提供者模块hires 如下为服务提供者模块hires的控制层接口 @RestController @RequestMapping(&quot;/hires&quot;) public class FeignControl
错误1:运行项目后报如下错误 解决方案 报错2:Failed to execute goal org.apache.maven.plugins:maven-compiler-plugin:3.8.1:compile (default-compile) on project sb 解决方案:在pom.
参考 错误原因 过滤器或拦截器在生效时,redisTemplate还没有注入 解决方案:在注入容器时就生效 @Component //项目运行时就注入Spring容器 public class RedisBean { @Resource private RedisTemplate&lt;String
使用vite构建项目报错 C:\Users\ychen\work&gt;npm init @vitejs/app @vitejs/create-app is deprecated, use npm init vite instead C:\Users\ychen\AppData\Local\npm-