Pandas to_csv() 函数处理大型数据集时速度缓慢？本文提供优化方案，解决将2000万条记录、100列数据保存为CSV文件耗时过长的问题。
问题：使用 to_csv() 函数保存包含约2000万条记录的大型 Pandas DataFrame，耗时高达55分钟。即使使用了 chunksize 参数分块写入，效果仍然不理想。
原始代码片段：
import os
import glob
import pandas as pd
src_files = glob.glob(os.path.join('/my/path', "*.csv.gz"))
# 读取数据
for file_ in sorted(src_files):
stage = pd.DataFrame()
iter_csv = pd.read_csv(file_, sep=',', index_col=False, header=0,
low_memory=False, iterator=True, chunksize=100000,
compression='gzip', memory_map=True, encoding='utf-8')
df = pd.concat([chunk for chunk in iter_csv])
stage = stage.append(df, ignore_index=True)
# 写入数据
stage.to_csv('output.csv', sep='|', header=True, index=False,
chunksize=100000, encoding='utf-8')
del stage
虽然代码已采用分块读取和写入，但 to_csv() 函数处理大规模 CSV 文件的效率仍然较低。
解决方案：使用 Pandas 的 to_hdf() 函数将数据保存为 HDF5 格式。HDF5 是一种高效的二进制数据格式，显著提升读写速度。
优化代码：
stage.to_hdf(r'path/file.h5', key='stage', mode='w')
将数据保存为 HDF5 格式后，写入时间将大幅缩短。to_hdf() 函数在处理大型数据集时具有显著的性能优势，是处理此类问题的有效解决方案。 选择合适的路径和文件名替换 r'path/file.h5'。 请确保已安装 pytables 库，它是 to_hdf() 函数的依赖。 如果未安装，可以使用 pip install tables 命令安装。
