在 Pandas 中连接两个大型数据集的最佳方法

我正在从需要连接的两个不同数据库下载两个数据集。当我将它们存储为 CSV 时，每个文件大约有 500MB 左右。分别适合内存，但当我加载两者时，有时会出现内存错误。当我尝试将它们与 pandas 合并时，我肯定会遇到麻烦。

对它们进行外部连接以免出现内存错误的最佳方法是什么？我手头没有任何数据库服务器，但如果有帮助的话，我可以在我的计算机上安装任何类型的开源软件。理想情况下，我仍然想仅在 pandas 中解决它，但不确定这是否可能。

澄清一下：合并是指外部联接。每个表有两行：产品和版本。我想检查哪些产品和版本仅在左表、右表和两个表中。我用一个

pd.merge(df1,df2,left_on=['product','version'],right_on=['product','version'], how='outer')

这似乎是一个任务dask被设计用于。本质上，dask can do pandas核心外操作，因此您可以使用不适合内存的数据集。这dask.dataframeAPI 是一个子集pandasAPI，所以应该没有太多的学习曲线。请参阅Dask DataFrame 概述页面以获取一些其他 DataFrame 特定详细信息。

import dask.dataframe as dd

# Read in the csv files.
df1 = dd.read_csv('file1.csv')
df2 = dd.read_csv('file2.csv')

# Merge the csv files.
df = dd.merge(df1, df2, how='outer', on=['product','version'])

# Write the output.
df.to_csv('file3.csv', index=False)

假如说'product' and 'version'是唯一的列，替换可能会更有效merge with:

df = dd.concat([df1, df2]).drop_duplicates()

我不完全确定这是否会更好，但显然未在索引上完成的合并在dask，所以值得一试。