[Pandas]一个Pandas VS MySQL SQL 的性能对比

引言

最近使用MySQL做一些数据统计比较多。 有时候为了省事直接写出了一个略复杂的SQL查询， 直接获得最后的结果。 但是总是觉得比较慢。 下面做了一个改动，简述如下：

* 原来：

纯粹使用SQL查询， 得到最后的结果

* 改进：

使用SQL查询原始数据+Pandas进行数据处理

* 结论：

改进方案的性能提升了 300%

原方案：

sql = """
select t2_id, name, col2
from (
    select sum(col1) as col1_sum, col2, t2.name, t2_id
    FROM t1
    left JOIN t2 on t2_id = t2.id
    WHERE date > (NOW() - INTERVAL 12 HOUR)  and col1 > 0 and price > 0 and bidfloor > 0 
    GROUP BY col2, t2_id
    ORDER BY col1_sum desc
) t
order by t.col1_sum desc
"""
 

思路还是比较清晰的， 就是比较慢。 一共花费了51s

新方案

• Step 1: 使用SQL读取原始数据

select col1, col2, t2.name, t2_id
from t1
left JOIN t2 on t2_id = t2.id
WHERE date > (NOW() - INTERVAL 12 HOUR)  and col1 > 0 and price > 0 and bidfloor > 0 
 

• Step2 : 使用Pandas进行Group / Count / Sort的操作

grpDF = df.groupby(by=["col2", "t2_id"])
datas = []
for name, subDF in grpDF :
    datas.append({
        "col1_sum" : subDF['col1'].sum(),
        "col2" : name[0],
        "name" : subDF['name'].values.tolist()[0],
        't2_id': name[1]
    })
 
df2 = pd.DataFrame(datas)
df2 = df2.sort_values(by=['col1_sum'], ascending=False)
df2 = df2[["t2_id", "name", "col2"]]
 

计时结果：

* step1: 16s

* step2: 0.7s

* total: 16.7s， （原来： 51s）

本文原创， 转载需要著名出处：www.flyml.net