将大量数据集从 SQL 服务器导入 HDF5

Posted 2023-03-11

【中文标题】将大量数据集从 SQL 服务器导入 HDF5

【英文标题】：Import huge data-set from SQL server to HDF5

【发布时间】：2017-12-25 08:03:33

【问题描述】：

我正在尝试将具有 8 列的约 1200 万条记录导入 Python。由于它的巨大尺寸，我的笔记本电脑内存不足以完成此操作。现在我正在尝试将 SQL 数据导入 HDF5 文件格式。如果有人可以共享从 SQL 查询数据并将其保存为 HDF5 格式的代码的 sn-p 代码，那将非常有帮助。我愿意使用任何其他更易于使用的文件格式。

我计划做一些基本的探索性分析，稍后可能会使用 pandas 创建一些决策树/线性回归模型。

import pyodbc 
import numpy as np
import pandas as pd

con = pyodbc.connect('Trusted_Connection=yes',
                     driver = 'ODBC Driver 13 for SQL Server',
                     server = 'SQL_ServerName')
df = pd.read_sql("select * from table_a",con,index_col=['Accountid'],chunksize=1000)

【参考方案1】：

试试这个：

sql_reader = pd.read_sql("select * from table_a", con, chunksize=10**5)

hdf_fn = '/path/to/result.h5'
hdf_key = 'my_huge_df'
store = pd.HDFStore(hdf_fn)
cols_to_index = [<LIST OF COLUMNS THAT WE WANT TO INDEX in HDF5 FILE>]

for chunk in sql_reader:
     store.append(hdf_key, chunk, data_columns=cols_to_index, index=False)

# index data columns in HDFStore
store.create_table_index(hdf_key, columns=cols_to_index, optlevel=9, kind='full')
store.close()

【讨论】：

@user3510503，很高兴它有帮助:)

伙计们，这段代码对于我的加载问题需要很长时间。有没有办法进一步加快这个过程？谢谢！

@Mike_H，我认为首先你必须找出你的情况的瓶颈是什么......

瓶颈是内存。 8GB。 @MaxU 或者你的意思是代码块的哪一部分运行时间最长？

@Mike_H，是的，我的意思是你的代码中最慢的部分......它可能正在从数据库中读取或将块保存到 HDF5......