如何用并行Insert语句在MySQL表中插入大熊猫数据帧？

Question

我在一个项目中工作，在这个项目中，我必须编写一个具有数百万行和大约25列的数据框，其中大部分是数值类型。我使用Pandas DataFrame to SQL Function将数据帧转储到Mysql表中。我发现这个函数创建了一个可以一次插入多行的Insert语句。这是一种很好的方法，但是MySQL对使用这种方法构建的查询的长度有限制。

有没有一种方法可以在同一个表中并行插入，这样我就可以加速这个过程？

Answer 1

您可以做一些事情来实现这一点。

一种方法是在写入sql时使用额外的参数。

df.to_sql(method = 'multi')

根据此documentation，将'multi‘传递给方法参数允许您大容量插入。

另一种解决方案是使用multiprocessing.dummy构造一个自定义插入函数。以下是文档的链接:https://docs.python.org/2/library/multiprocessing.html#module-multiprocessing.dummy

import math
from multiprocessing.dummy import Pool as ThreadPool

...

def insert_df(df, *args, **kwargs):
    nworkers = 4 # number of workers that executes insert in parallel fashion

    chunk = math.floor(df.shape[0] / nworkers) # number of chunks
    chunks = [(chunk * i, (chunk * i) + chunk) for i in range(nworkers)]
    chunks.append((chunk * nworkers, df.shape[0]))
    pool = ThreadPool(nworkers)

    def worker(chunk):
        i, j = chunk
        df.iloc[i:j, :].to_sql(*args, **kwargs)

    pool.map(worker, chunks)
    pool.close()
    pool.join()

....

insert_df(df, "foo_bar", engine, if_exists='append')

第二种方法是在https://stackoverflow.com/a/42164138/5614132上提出的。