python - read - Numerar cargar csv demasiado lento en comparación con Matlab

numpy savetxt

Question

Publiqué esta pregunta porque me preguntaba si hice algo terriblemente malo para obtener este resultado.

Tengo un archivo csv de tamaño mediano y traté de usar numpy para cargarlo. Por ejemplo, hice el archivo usando Python:

import timeit
import numpy as np
my_data = np.random.rand(1500000, 3)*10
np.savetxt(''./test.csv'', my_data, delimiter='','', fmt=''%.2f'')

Y luego, probé dos métodos: numpy.genfromtxt, numpy.loadtxt

setup_stmt = ''import numpy as np''
stmt1 = """/
my_data = np.genfromtxt(''./test.csv'', delimiter='','')
"""
stmt2 = """/
my_data = np.loadtxt(''./test.csv'', delimiter='','')
"""
t1 = timeit.timeit(stmt=stmt1, setup=setup_stmt, number=3)
t2 = timeit.timeit(stmt=stmt2, setup=setup_stmt, number=3)

Y el resultado muestra que t1 = 32.159652940464184, t2 = 52.00093725634724 .
Sin embargo, cuando traté de usar matlab:

tic
for i = 1:3
my_data = dlmread(''./test.csv'');
end
toc

El resultado muestra: el tiempo transcurrido es 3.196465 segundos .

Entiendo que puede haber algunas diferencias en la velocidad de carga, pero:

1. Esto es mucho más de lo que esperaba;
2. ¿No es que np.loadtxt debería ser más rápido que np.genfromtxt?
3. Todavía no he probado el módulo python csv porque cargar archivos csv es algo muy frecuente que hago y con el módulo csv, la codificación es un poco detallada ... Pero me encantaría probarla si esa es la única manera . Actualmente estoy más preocupado acerca de si soy yo quien hace algo mal.

Cualquier entrada sería apreciada. ¡Muchas gracias por adelantado!

Answer 1

FWIW el módulo csv incorporado funciona muy bien y realmente no es tan detallado.

módulo csv:

%%timeit
with open(''test.csv'', ''r'') as f:
np.array([l for l in csv.reader(f)])
1 loop, best of 3: 1.62 s per loop

np.loadtext :

%timeit np.loadtxt(''test.csv'', delimiter='','')
1 loop, best of 3: 16.6 s per loop

pd.read_csv :

%timeit pd.read_csv(''test.csv'', header=None).values
1 loop, best of 3: 663 ms per loop

Personalmente, me gusta usar pandas read_csv pero el módulo csv es bueno cuando uso numpy puro.

Answer 2

Quizás sea mejor instalar un código c simple que convierta los datos a binarios y que `numpy ''lea el archivo binario. Tengo un archivo CSV de 20 GB para leer con los datos CSV que son una mezcla de int, double, str. Numerar la lectura a la matriz de las estructuras lleva más de una hora, mientras que volcar a binario tomó alrededor de 2 minutos y cargar a numpy lleva menos de 2 segundos.

Mi código específico, por ejemplo, está disponible here .

Answer 3

Sí, leer archivos csv en numpy es bastante lento. Hay una gran cantidad de Python puro a lo largo de la ruta del código. En estos días, incluso cuando estoy usando numpy puro todavía uso pandas para IO:

>>> import numpy as np, pandas as pd
>>> %time d = np.genfromtxt("./test.csv", delimiter=",")
CPU times: user 14.5 s, sys: 396 ms, total: 14.9 s
Wall time: 14.9 s
>>> %time d = np.loadtxt("./test.csv", delimiter=",")
CPU times: user 25.7 s, sys: 28 ms, total: 25.8 s
Wall time: 25.8 s
>>> %time d = pd.read_csv("./test.csv", delimiter=",").values
CPU times: user 740 ms, sys: 36 ms, total: 776 ms
Wall time: 780 ms

Alternativamente, en un caso bastante simple como este, podría usar algo como lo que Joe Kington escribió here :

>>> %time data = iter_loadtxt("test.csv")
CPU times: user 2.84 s, sys: 24 ms, total: 2.86 s
Wall time: 2.86 s

También está la biblioteca de lectura de textreader Warren Weckesser, en caso de que los pandas sean una dependencia demasiado pesada:

>>> import textreader
>>> %time d = textreader.readrows("test.csv", float, ",")
readrows: numrows = 1500000
CPU times: user 1.3 s, sys: 40 ms, total: 1.34 s
Wall time: 1.34 s

Answer 4

Si desea simplemente guardar y leer una matriz numpy, es mucho mejor guardarla como un binario comprimido o binario en función del tamaño:

my_data = np.random.rand(1500000, 3)*10
np.savetxt(''./test.csv'', my_data, delimiter='','', fmt=''%.2f'')
np.save(''./testy'', my_data)
np.savez(''./testz'', my_data)
del my_data
setup_stmt = ''import numpy as np''
stmt1 = """/
my_data = np.genfromtxt(''./test.csv'', delimiter='','')
"""
stmt2 = """/
my_data = np.load(''./testy.npy'')
"""
stmt3 = """/
my_data = np.load(''./testz.npz'')[''arr_0'']
"""
t1 = timeit.timeit(stmt=stmt1, setup=setup_stmt, number=3)
t2 = timeit.timeit(stmt=stmt2, setup=setup_stmt, number=3)
t3 = timeit.timeit(stmt=stmt3, setup=setup_stmt, number=3)
genfromtxt 39.717250824
save 0.0667860507965
savez 0.268463134766