使用Execute More From pyodbc将数据帧传输到SQL Server-Python问题

Dataframe to SQL Server using Execute many from pyodbc(使用Execute More From pyodbc将数据帧传输到SQL Server)

本文介绍了使用Execute More From pyodbc将数据帧传输到SQL Server的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着小编来一起学习吧！

问题描述

我正在尝试使用Pyodbc将数据从DataFrame加载到SQL Server，它逐行插入，速度非常慢。

我已经尝试了两种在网上找到的方法(中等)，但我没有发现任何性能改善。

尝试在SQL Azure中运行，因此SQL AlChemy不是一种简单的连接方法。请找到我遵循的方法，以及是否有其他方法可以提高批量加载的性能。

方法1

 cursor = sql_con.cursor()
cursor.fast_executemany = True
for row_count in range(0, df.shape[0]):
  chunk = df.iloc[row_count:row_count + 1,:].values.tolist()
  tuple_of_tuples = tuple(tuple(x) for x in chunk)
  for index,row in ProductInventory.iterrows():
  cursor.executemany("INSERT INTO table ([x]],[Y]) values (?,?)",tuple_of_tuples)

方法2

 cursor = sql_con.cursor() 
for row_count in range(0, ProductInventory.shape[0]):
      chunk = ProductInventory.iloc[row_count:row_count + 1,:].values.tolist()
      tuple_of_tuples = tuple(tuple(x) for x in chunk)
  for index,row in ProductInventory.iterrows():
    cursor.executemany(""INSERT INTO table ([x]],[Y]) values (?,?)",tuple_of_tuples

谁能告诉我为什么性能没有提高1%？仍然需要同样的时间

推荐答案

尝试在SQL Azure中运行，因此SQL AlChemy不是一种简单的连接方法。

也许你只需要先跨过那个障碍。然后您可以使用 pandas to_sql和fast_executemany=True。例如

from sqlalchemy import create_engine
#
# ...
#
engine = create_engine(connection_uri, fast_executemany=True)
df.to_sql("table_name", engine, if_exists="append", index=False)

如果您有一个有效的pyodbc连接字符串，则可以将其转换为SQLAlChemy连接URI，如下所示：

connection_uri = 'mssql+pyodbc:///?odbc_connect=' + urllib.parse.quote_plus(connection_string)

这篇关于使用Execute More From pyodbc将数据帧传输到SQL Server的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持编程学习网！