时间戳

首页 > 解决方案 > 将 pandas DataFrame 写入 gzip csv，存档中没有时间戳

python - 将 pandas DataFrame 写入 gzip csv，存档中没有时间戳

问题描述

将 pandas DataFrame 写入 gzip 压缩的 CSV 会将时间戳添加到存档中：

import pandas as pd
df = pd.DataFrame({'a': [1]})
df.to_csv('df.csv.gz', compression='gzip')
# Timestamp is the large number per https://unix.stackexchange.com/a/79546/88807.
!<df.csv.gz dd bs=4 skip=1 count=1 | od -t d4
# 1+0 records in
# 1+0 records out
# 4 bytes copied, 5.6233e-05 s, 71.1 kB/s
# 0000000  1546978755
# 0000004df.csv

我想写它没有时间戳，这样同一个 DataFrame 的两个后续导出是相同的：

df.to_csv('df2.csv.gz', compression='gzip')
import filecmp
filecmp.cmp('df.csv.gz', 'df2.csv.gz')
# False

标签： pythonpandasgzip

解决方案

在查看了用于CSV 编写的 Pandas 代码后，我能建议的最好方法是gzip直接使用该模块。这样您就可以直接设置似乎是您想要的mtime属性：

import pandas as pd
from gzip import GzipFile
from io import TextIOWrapper

def to_gzip_csv_no_timestamp(df, f, *kwargs):
    # Write pandas DataFrame to a .csv.gz file, without a timestamp in the archive
    # header, using GzipFile and TextIOWrapper.
    #
    # Args:
    #     df: pandas DataFrame.
    #     f: Filename string ending in .csv (not .csv.gz).
    #     *kwargs: Other arguments passed to to_csv().
    #
    # Returns:
    #     Nothing.
    with TextIOWrapper(GzipFile(f, 'w', mtime=0), encoding='utf-8') as fd:
        df.to_csv(fd, *kwargs)

to_gzip_csv_no_timestamp(df, 'df.csv.gz')
to_gzip_csv_no_timestamp(df, 'df2.csv.gz')

filecmp.cmp('df.csv.gz', 'df2.csv.gz')
# True

subprocess对于这个小数据集，这优于下面的两步方法：

%timeit to_gzip_csv_no_timestamp(df, 'df.csv')                                                                                                                                                                                                                                    
693 us +- 14.6 us per loop (mean +- std. dev. of 7 runs, 1000 loops each)

%timeit to_gzip_csv_no_timestamp_subprocess(df, 'df.csv')
10.2 ms +- 167 us per loop (mean +- std. dev. of 7 runs, 100 loops each)

我正在使用 aTextIOWrapper()来处理Pandas将字符串转换为字节的操作，但如果您知道不会保存太多数据，也可以这样做：

with GzipFile('df.csv.gz', 'w', mtime=0) as fd:
    fd.write(df.to_csv().encode('utf-8'))

请注意，它gzip -lv df.csv.gz仍然显示“当前时间”，但它只是从 inode 的 mtime 中提取出来的。dumping withhexdump -C显示值保存在文件中，更改文件 mtime (with touch -mt 0711171533 df.csv.gz) 会导致gzip显示不同的值

另请注意，原始“文件名”也是 gzip 压缩文件的一部分，因此您需要写入相同的名称（或覆盖此名称）以使其具有确定性。

推荐阅读