使用 Pandas 在 Python 中处理大型 SQL 查询？

Posted 2023-04-18

【中文标题】使用 Pandas 在 Python 中处理大型 SQL 查询？

【英文标题】：Processing a large SQL query in Python using Pandas?

【发布时间】：2017-11-02 12:27:03

【问题描述】：

我想使用 Python、psycopg2 和 Pandas 对将从 Postgres 数据库中提取的一些数据进行回测。

将从 Postgres 中提取的数据非常大（超过 10 Gbs）——我的系统将无法在 RAM 中保存这些数据，即使 Pandas 数据帧能够存储这么多数据。

作为概述，我希望我的 Python 程序需要执行以下操作：

1：连接到远程（基于 LAN）Postgres 数据库服务器

2：对数据库表运行基本选择查询

3：将查询结果存储在 Pandas 数据框中

4：对Pandas数据框内的数据进行计算操作

5：将这些操作的结果写回数据库中的现有表。

我预计将在第 2 步中返回的数据会非常大。

是否可以将大型查询的结果流式传输到 Pandas 数据帧，以便我的 Python 脚本可以处理更小块的数据，例如 1gb？

您可以指出的任何想法、建议或资源，关于如何最好地做到这一点，或者如果我没有以正确的方式处理这个问题，将不胜感激，我相信这对其他人会很有用前进。

谢谢。

【问题讨论】：

这取决于...你打算在 Pandas 中对这些数据进行什么样的操作？所有这些操作都可以与块一起使用吗？或者您是否需要将它们全部在 RAM 中处理（例如排序、分组等）？在这种情况下，您可以考虑使用 Dask DataFrame 甚至 Apache Spark（在集群模式下）

感谢您的评论 - 操作将计算移动平均线和其他类似的计算，所以这些可以在夹盘中完成......但我需要了解如何从数据库中获取数据块 -我希望我能找到查询和流式传输前 10000 行，对其进行处理，然后接收并处理接下来的 10000 行等等......我将查看 Dask DataFrame 和 Apache Spark - 感谢您提及它们！跨度>

【参考方案1】：

演示 - 如何从 SQL DB 中分块读取数据并处理单个块：

from sqlalchemy import create_engine

# conn = create_engine('postgresql://user:password@host:port/dbname')
conn = create_engine('postgresql+psycopg2://user:password@host:port/dbname')

qry = "select * from table where ..."
sql_reader = pd.read_sql(qry, con=conn, chunksize=10**4)

for df in sql_reader:
    # process `df` (chunk of 10.000 rows) here

更新： very good point from @jeremycg

根据具体设置，OP 可能还需要使用 conn.dialect.server_side_cursors = True 和 conn.execution_options(stream_results = True) 作为数据库驱动 否则将在本地获取所有结果，然后将它们流式传输到 大块的python

【讨论】：

根据具体设置，OP 可能还需要使用conn.dialect.server_side_cursors = True 和conn.execution_options(stream_results = True)，否则数据库驱动程序将在本地获取所有结果，然后将它们分块流式传输到python

@jeremycg，好点子 - 谢谢！我会将您的评论添加到答案中...