pandas的I/O相对各类包一直偏慢且存在易用性问题，特别是对于大文件的读写，瓶颈非常明显。pandasrw 库通过将各类库进一步封装，提高了pandas 读写excel、csv等文件的性能和易用性。

这个库是本人发布在github的一个项目，欢迎大家交流，方便的时候的给个star。pandasrw的名称是pandas read和write的缩写，目前支持excel、csv和pickle文件的读写。

https://github.com/stormtozero/pandasrw

目前该库已经上传pypi可以通过pip进行安装

在python中导入包

从性能提升、易用性提升和流式加载方面对pandas的表格数据读写进行了增强。其中在性能提升方面可以提升2-3倍的性能，在易用性方面封装了编码转换和文件类型自动识别。此外还实现了三个小功能，一个简单的流式加载和计算的功能、csv的编码转换功能和xlsx转换为csv的功能。

通过封装polars、pandas、xlwings库实现性能的提升和保证兼容性。通过参数engine来选择采用的读写引擎，默认采用polars库。对于polars和xlwings不支持的格式后端自动选择pandas进行兼容。

各类引擎的特点如下：

polars库： 是pandasrw的默认引擎。这是一个rust写的高性能库，截至2023年3月该库的star已经超过1.3k，性能和质量已经经过检验。polars是目前pandas的主要竞品库，并且有较大的优势，但是随着pandas 2.0的发布预计优势会缩小甚至消失。

pandas加速利器—polars - 知乎 (zhihu.com)

读写快，xlsx可以比pandas快2倍，csv可以快3倍。

兼容性较好，但是不如pandas。 支持xlsx和csv文件类型，但是不支持xls功能。其中xlsx为通过xlsx2csv库转换为csv来实现。

建议：推荐使用。

pandas库： 读写较慢，但是兼容性最好支持xlsx、xls、csv、pkl四种文件类型。

建议：备选。

xlwings库： 对大文件的读写速度最快。支持xlsx和xls两种文件类型，该库本身支持csv，但是在测试时性能较差未采用。 读写xlsx文件速度最快，可以达到pandas的3倍，但是在数据类型推断上较为粗糙，数据类型只能区分为object和float64两种类型，不能进一步区分int64等类型。本库通过调用 win32实现对excel的操作，需要使用windows操作协同且安装了excel软件。

建议：谨慎使用。在excel数据较大一般超过100M时使用，且对细分数据类型不敏感或者采用手动修改数据类型的场景。

易用性方面主要做了以下二个方面的提升 2.1、对csv格式的编码自动修改为utf-8解决了 “‘utf-8’ codec can’t decode”等编码类报错。 2.2、对各类后缀进行了自适应，无需在手动指定excel、csv、pickle等

为了API的简洁暂时只实现了一个sheet的表格的流式加载和计算，会输出一个迭代器对象

对于该迭代器对象，通过遍历迭代器分块运算，具体见API部分。

示例：输入路径读取Sheet1表的全部列，生产pandas的DataFrame 默认使用polars引擎。该表可以是xlsx、xlsx、csv和pkl格式

示例：输入路径，将pandas的DataFrame写入Sheet1表，默认使用polars引擎。该表可以是xlsx、xlsx、csv和pkl格式

file_path是路径， row_count是没错读取的行

生成一个pandas.io.parsers.readers.TextFileReader对象

对于该迭代器对象，通过遍历迭代器分块运算

3.1、遍历迭代器

3.2、对于迭代器中的每个DataFrame进行运算

3.3、采用追加写（功能mode="a"或者mode=“a+”）的方式写入csv。

注意：file_result_csv和上文函数中的file_path_csv绝对不能相同，即读取的csv和存入的csv不能同路径。否则会不停的迭代下去，不能退出循环。

原因：使用chunksize分块读取后，pandas并没有真正的将csv的内容加载入内存，只是解析了csv的内容和建立了连接（类似浅拷贝），在调用迭代器时再从csv中加载。所以再使用追加写的时候，会一边写入csv，一边再从csv中读取，形成死循环。

示例3：输入路径读取Sheet1表的全部列，生产pandas的DataFrame 默认使用polars引擎。该表可以是xlsx、xlsx、csv和pkl格式

会在file_path文件夹下生成一个同名csv文件。

如果一个较大的表会多次使用，请转pickle存储，后续读写pickle文件会大大加快读写性能。

目前对openpyxl库进行了研究。这个库是pandas解析xlsx格式文件的底层库。该库的read_only模式是pandas应用的模式。舍弃灵活性和兼容性后比pandas可以提速15%左右，感觉得不偿失。

1、使用read_only=True模式，该模式读取快，但是不能进行多进程加速。因为该模式本质是懒加载的，先生成一个迭代器再逐步从磁盘读取。读取磁盘的过程会导致多进程阻塞，无法并行，会顺序执行。实验了先读取文件再多进程分析生成器的方式、在每个进程中分别加载xlsx文件和将文件复制多个副本，每个进程读取副本三种方式，均无法加速。

2、不使用read_only模式，该方式由于是一次加载入内存，使用实验了先读取文件再多进程解析是可以多进程的，但是该模式加载时间过长，不如read_only单线程。

v 0.0.1第一个版本

v 0.0.2 修改了polar引擎，在read_csv_options中增加了{"infer_schema_length":1000,"ignore_errors":False})两个配置，性能进一步提升，特殊情况下兼容性降低，可以采用pandas引擎弥补（之前需要对文件读两次完成类型推断，一次类型推断，一次读文件。当前只对前1000行读进行内容推断）。

发生以下报错切换engine="pandas"

v 0.03

更新openpyxl引擎写的load_excel函数，比pandas引擎快20%，兼容性基本一致。该函数可以支持部分行读取。

polars引擎增加了read_csv_options选项，目前默认关闭。打开后使用者可以自己设置各类参数，主要是{"infer_schema_length":1000,"ignore_errors":False} 该参数影响类型推断的精度和速度。

polars引擎读取excel表后默认删除全部值为空的行和列。

v 0.04 待实现

polars引擎读取csv表后默认删除全部值为空的行和列。

另外将增加追加写功能

polars不能写入重名列

对xlwings 引擎再读为pandas后自动增加infer_schema=True自动推断选项，实现类型自动推断。

对excel追加写的API分为pandas和xlwings两种引擎。其中xlwings引擎计划支持 开始写入单元格 与已有数据间隔xx行，写入哪个sheet，是手动关闭还是自动关闭（手动关闭时打开excel后一致不关闭，可以更快的写入，避免重复打开excel）