我有一个过程正在从4个数据库中读取,每个数据库有4个表.我正在将该数据合并到总共4个表的1个postgres数据库中. (原始的4个数据库中的每一个都有相同的4个表,需要合并).
我现在的做法是使用熊猫.我一次从所有4个数据库中读取一张表,将数据连接到一个数据帧中,然后使用to_sql将其保存到我的postgres数据库中.然后,我遍历到其余数据库,对其他表执行相同的操作.
我的问题是速度.我的一张表每个日期有大约1-2百万行,因此完成将数据写入postgres可能需要5,000到6,000秒.将其写入.csv文件,然后在pgadmin中使用COPY FROM更快.
这是我当前的代码.请注意,有一些函数调用,但它基本上只是引用表名.我还完成了一些基本的日志记录,但这不是必须的.我正在为源数据库添加一列,但这是必需的.我正在从实际上是字符串的字段中删除.0,但是pandas也将它们视为浮点型,并且我用0填充空白整数,并确保列的类型确实是int.
def query_database(table, table_name, query_date):
df_list = []
log_list = []
for db in ['NJ', 'NJ2', 'LA', 'NA']:
start_time = time.clock()
query_timestamp = dt.datetime.now(pytz.timezone('UTC')).strftime('%Y-%m-%d %H:%M:%S')
engine_name = '{}{}{}{}'.format(connection_type, server_name, '/', db)
print('Accessing {} from {}'.format((select_database(db)[0][table]), engine_name))
engine = create_engine(engine_name)
df = pd.read_sql_query(query.format(select_database(db)[0][table]), engine, params={query_date})
query_end = time.clock() - start_time
df['source_database'] = db
df['insert_date_utc'] = query_timestamp
df['row_count'] = df.shape[0]
df['column_count'] = df.shape[1]
df['query_time'] = round(query_end, 0)
df['maximum_id'] = df['Id'].max()
df['minimum_id'] = df['Id'].min()
df['source_table'] = table_dict.get(table)
log = df[['insert_date_utc', 'row_date', 'source_database', 'source_table', 'row_count', 'column_count', 'query_time', 'maximum_id', 'minimum_id']].copy()
df.drop(['row_count', 'column_count', 'query_time', 'maximum_id', 'minimum_id', 'source_table'], inplace=True, axis=1)
df_list.append(df)
log_list.append(log)
log = pd.concat(log_list)
log.drop_duplicates(subset=['row_date', 'source_database', 'source_table'], inplace=True, keep='last')
result = pd.concat(df_list)
result.drop_duplicates('Id', inplace=True)
cols = [i.strip() for i in (create_columns(select_database(db)[0][table]))]
result = result[cols]
print('Creating string columns for {}'.format(table_name))
for col in modify_str_cols(select_database(db)[0][table]):
create_string(result, col)
print('Creating integer columns for {}'.format(table_name))
for col in modify_int_cols(select_database(db)[0][table]):
create_int(result, col)
log.to_sql('raw_query_log', cms_dtypes.pg_engine, index=False, if_exists='append', dtype=cms_dtypes.log_dtypes)
print('Inserting {} data into PostgreSQL'.format(table_name))
result.to_sql(create_table(select_database(db)[0][table]), cms_dtypes.pg_engine, index=False, if_exists='append', chunksize=50000, dtype=create_dtypes(select_database(db)[0][table]))
如何在此插入COPY TO和COPY FROM以加快速度?我应该只编写.csv文件然后在这些文件上循环还是可以从内存复制到我的postgres?