Pandas to_sql 参数和性能

Question

我目前正在尝试稍微调整一些脚本的性能，似乎瓶颈始终是使用 pandas to_sql 函数实际插入数据库 (=MSSQL)。

其中一个因素是 mssql 的参数限制为 2100。

我与 sqlalchemy 建立了连接（具有 mssql + pyodbc 风格）：

engine = sqlalchemy.create_engine("mssql+pyodbc:///?odbc_connect=%s" % params, fast_executemany=True)

插入时我使用块大小（所以我保持在参数限制和 method="multi" 以下）：

dataframe_audit.to_sql(name="Audit", con=connection, if_exists='append', method="multi",
                               chunksize=50, index=False)

这会导致以下（不幸的是，极其不一致）的表现：

我不知道具体是怎么想的：

• 不一致似乎源于 DB 服务器本身
• 更大的块大小似乎并不能转化为更好的性能（似乎反过来！？）
• 也许我应该从 pyodbc 切换到 turbodbc（根据一些帖子，它会产生更好的性能）

有什么想法可以让我的 DataFrame 获得更好的插入性能？

Answer 1

如果您在 SQLAlchemy create_engine 调用中使用最新版本的 pyodbc 和 ODBC Driver 17 for SQL Server 和 fast_executemany=True，那么您应该在 to_sql 调用中使用 method=None（默认值）。这将允许 pyodbc 使用 ODBC 参数数组并在该设置下为您提供最佳性能。您不会达到 2100 个参数的 SQL Server 存储过程限制（除非您的 DataFrame 有 ~2100 列）。您将面临的唯一限制是，如果您的 Python 进程在将其发送到 SQL Server 之前没有足够的内存来构建整个参数数组。

to_sql 的 method='multi' 选项仅在使用不支持参数数组的 ODBC 驱动程序（例如，FreeTDS ODBC）时适用于 pyodbc。在这种情况下，fast_executemany=True 将无济于事，实际上可能会导致错误。