web-dev-qa-db-ja.com

PandasデータフレームをGoogle BigQueryに効率的に書き込む

pandas.DataFrame.to_gbq()関数のドキュメント化された here を使用して、_pandas.DataFrame_をGoogleビッグクエリにアップロードしようとしています。問題は、to_gbq()が2.3分かかり、Google Cloud Storage GUIに直接アップロードするのに1分もかからないことです。私は、それぞれが同じサイズのデータ​​フレームの束（〜32）をアップロードすることを計画しているので、より高速な代替案を知りたいです。

これは私が使用しているスクリプトです：

_dataframe.to_gbq('my_dataset.my_table', 
                 'my_project_id',
                 chunksize=None, # i've tryed with several chunksizes, it runs faster when is one big chunk (at least for me)
                 if_exists='append',
                 verbose=False
                 )

dataframe.to_csv(str(month) + '_file.csv') # the file size its 37.3 MB, this takes almost 2 seconds 
# manually upload the file into GCS GUI
print(dataframe.shape)
(363364, 21)
_

私の質問は、何が速いですか？

  1. pandas.DataFrame.to_gbq()関数を使用してDataframeをアップロードします
  2. Dataframeをcsvとして保存し、 Python API を使用してBigQueryにファイルとしてアップロードします
  3. Dataframeをcsvとして保存し、 この手順 を使用してファイルをGoogle Cloud Storageにアップロードしてから、BigQueryからファイルを読み取ります

更新：

代替2、pd.DataFrame.to_csv()およびload_data_from_file()を使用すると、代替1よりも時間がかかるようです（3ループで平均17.9秒）。

_def load_data_from_file(dataset_id, table_id, source_file_name):
    bigquery_client = bigquery.Client()
    dataset_ref = bigquery_client.dataset(dataset_id)
    table_ref = dataset_ref.table(table_id)

    with open(source_file_name, 'rb') as source_file:
        # This example uses CSV, but you can use other formats.
        # See https://cloud.google.com/bigquery/loading-data
        job_config = bigquery.LoadJobConfig()
        job_config.source_format = 'text/csv'
        job_config.autodetect=True
        job = bigquery_client.load_table_from_file(
            source_file, table_ref, job_config=job_config)

    job.result()  # Waits for job to complete

    print('Loaded {} rows into {}:{}.'.format(
        job.output_rows, dataset_id, table_id))
_

ありがとうございました！

pythonpandasgoogle-bigquerygoogle-cloud-storagegoogle-cloud-python
9
Pablo

次のコードを使用して、Datalabの代替1と代替3の比較を行いました。

from datalab.context import Context
import datalab.storage as storage
import datalab.bigquery as bq
import pandas as pd
from pandas import DataFrame
import time

# Dataframe to write
my_data = [{1,2,3}]
for i in range(0,100000):
    my_data.append({1,2,3})
not_so_simple_dataframe = pd.DataFrame(data=my_data,columns=['a','b','c'])

#Alternative 1
start = time.time()
not_so_simple_dataframe.to_gbq('TestDataSet.TestTable', 
                 Context.default().project_id,
                 chunksize=10000, 
                 if_exists='append',
                 verbose=False
                 )
end = time.time()
print("time alternative 1 " + str(end - start))

#Alternative 3
start = time.time()
sample_bucket_name = Context.default().project_id + '-datalab-example'
sample_bucket_path = 'gs://' + sample_bucket_name
sample_bucket_object = sample_bucket_path + '/Hello.txt'
bigquery_dataset_name = 'TestDataSet'
bigquery_table_name = 'TestTable'

# Define storage bucket
sample_bucket = storage.Bucket(sample_bucket_name)

# Create or overwrite the existing table if it exists
table_schema = bq.Schema.from_dataframe(not_so_simple_dataframe)

# Write the DataFrame to GCS (Google Cloud Storage)
%storage write --variable not_so_simple_dataframe --object $sample_bucket_object

# Write the DataFrame to a BigQuery table
table.insert_data(not_so_simple_dataframe)
end = time.time()
print("time alternative 3 " + str(end - start))

n = {10000,100000,1000000}の結果は次のとおりです。

n       alternative_1  alternative_3
10000   30.72s         8.14s
100000  162.43s        70.64s
1000000 1473.57s       688.59s

結果から判断すると、代替案3は代替案1よりも高速です。

5
enle lin