将 pandas DataFrame 写入 gzip csv，存档上没有时间戳

Question

正在将 pandas DataFrame 写入 gzip 压缩的 CSV 中，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

我想在没有时间戳的情况下编写它，这样同一 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

Answer 1

直接查看 CSV writing, the best I can suggest is to use the gzip module directly. that way you can set the mtime attribute 的 Pandas 代码后，这似乎是您想要的：

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

对于这个小数据集，这优于下面的两步 subprocess 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 TextIOWrapper() 将字符串转换为字节 Pandas does，但如果您知道不会保存太多数据，您也可以这样做：

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

请注意 gzip -lv df.csv.gz 仍然显示 "current time" 但它只是从 inode 的 mtime 中提取它。使用 hexdump -C 转储显示值保存在文件中，更改文件 mtime（使用 touch -mt 0711171533 df.csv.gz）导致 gzip 显示不同的值

另请注意，原始 "filename" 也是 gzip 文件的一部分，因此您需要写入相同的名称（或也覆盖它）以使其具有确定性。

Answer 2

您可以导出为未压缩的 CSV，然后使用 -n 标志调用 gzip 以避免时间戳（这也是不在存档中保存文件名的说明）：

import subprocess

def to_gzip_csv_no_timestamp_subprocess(df, f, *kwargs):
    # Write pandas DataFrame to a .csv.gz file, without a timestamp in the archive
    # header.
    # Args:
    #     df: pandas DataFrame.
    #     f: Filename string ending in .csv (not .csv.gz).
    #     *kwargs: Other arguments passed to to_csv().
    # Returns:
    #     Nothing.
    import subprocess
    df.to_csv(f, *kwargs)
    # -n for the timestamp, -f to overwrite.
    subprocess.check_call(['gzip', '-nf', f])

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

将 pandas DataFrame 写入 gzip csv，存档上没有时间戳

Write pandas DataFrame to a gzip csv without a timestamp on the archive

python

gzip

pandas