web-dev-qa-db-fra.com

Écrire efficacement un Pandas dataframe dans Google BigQuery

J'essaie de télécharger un pandas.DataFrame Sur google big query en utilisant la fonction pandas.DataFrame.to_gbq() documentée ici . Le problème est que to_gbq() prend 2,3 minutes tandis que le téléchargement direct sur l'interface graphique de Google Cloud Storage prend moins d'une minute. Je prévois de télécharger un tas de dataframes (~ 32) chacun avec une taille similaire, donc je veux savoir quelle est l'alternative la plus rapide.

Voici le script que j'utilise:

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)

ma question est, qu'est-ce qui est plus rapide?

  1. Téléchargez Dataframe en utilisant la fonction pandas.DataFrame.to_gbq()
  2. Enregistrement de Dataframe en tant que csv, puis téléchargement en tant que fichier vers BigQuery à l'aide de API Python
  3. Enregistrer Dataframe en tant que csv, puis télécharger le fichier sur Google Cloud Storage à l'aide de cette procédure , puis le lire à partir de BigQuery

mise à jour:

alternative 2, en utilisant pd.DataFrame.to_csv() et load_data_from_file() semble prendre plus de temps que l'alternative 1 (17,9 s de plus en moyenne avec 3 boucles):

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))

merci!

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

J'ai fait la comparaison pour les alternatives 1 et 3 dans Datalab en utilisant le code suivant:

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))

et voici les résultats pour n = {10000,100000,1000000}:

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

À en juger par les résultats, l'alternative 3 est plus rapide que l'alternative 1.

5
enle lin