Is there a way to speed up panda concatenation and maintain memory efficiency?

Currently I’m trying to clean data from the spotify million playlist dataset so that I produce a single csv at the end. When the program reaches the concatenation step, it takes around 80 seconds per chunk of size 100, and given that there are 1000 files, needs around ~ 800 seconds to complete.

Plain text
Copy to clipboard
Open code in new window
EnlighterJS 3 Syntax Highlighter
<code>def read_playlists(file_path):
with open(file_path, "rb") as infile:
data = json.load(infile)
for playlist in data['playlists']:
playlist_df = pd.DataFrame(playlist['tracks'], columns=['track_name', 'track_uri', 'artist_name', 'artist_uri', 'album_name', 'album_uri'])
yield playlist_df # returns a generator containing dataframe
def clean_data():
p = psutil.Process()
start = time.process_time()
read_files = sorted(glob.glob("spotify_million_playlist_dataset/data/*.json"), key=len)
# Initialize an empty DataFrame
df = pd.DataFrame(columns=['track_name', 'track_uri', 'artist_name', 'artist_uri', 'album_name', 'album_uri'])
chunk_size = 100 # Adjust this based on available memory
for chunk_files in zip(*[iter(read_files)] * chunk_size): # Read files in chunks
chunk_dfs = []
dfs = []
with ThreadPoolExecutor(max_workers=None) as executor:
for chunk_file in chunk_files: # Read playlists in parallel, iterates through each json file
executor.submit(chunk_dfs.extend, read_playlists(chunk_file))
print(chunk_file)
# Concatenate DataFrames for this chunk
chunk_df = pd.concat(chunk_dfs)
# Drop duplicates based on track_name and artist_uri
chunk_df.drop_duplicates(subset=['track_uri'], inplace=True)
# Append to the main DataFrame
df = pd.concat([df, chunk_df], ignore_index=True)
print(df[-5:])
print(f"Time taken: {time.process_time() - start:.2f} seconds")
# Drop duplicates again (in case of duplicates across chunks)
df.drop_duplicates(subset=['track_uri'], inplace=True)
print(df)
# Save cleaned DataFrame to CSV
df.to_csv("cleaned_df.csv", index=False)
print(f"(Peak memory usage: {p.memory_info().peak_wset / 10**9 :.2f} GB)")
print(f"Total time taken: {time.process_time() - start:.2f} seconds")
</code>
<code>def read_playlists(file_path): with open(file_path, "rb") as infile: data = json.load(infile) for playlist in data['playlists']: playlist_df = pd.DataFrame(playlist['tracks'], columns=['track_name', 'track_uri', 'artist_name', 'artist_uri', 'album_name', 'album_uri']) yield playlist_df # returns a generator containing dataframe def clean_data(): p = psutil.Process() start = time.process_time() read_files = sorted(glob.glob("spotify_million_playlist_dataset/data/*.json"), key=len) # Initialize an empty DataFrame df = pd.DataFrame(columns=['track_name', 'track_uri', 'artist_name', 'artist_uri', 'album_name', 'album_uri']) chunk_size = 100 # Adjust this based on available memory for chunk_files in zip(*[iter(read_files)] * chunk_size): # Read files in chunks chunk_dfs = [] dfs = [] with ThreadPoolExecutor(max_workers=None) as executor: for chunk_file in chunk_files: # Read playlists in parallel, iterates through each json file executor.submit(chunk_dfs.extend, read_playlists(chunk_file)) print(chunk_file) # Concatenate DataFrames for this chunk chunk_df = pd.concat(chunk_dfs) # Drop duplicates based on track_name and artist_uri chunk_df.drop_duplicates(subset=['track_uri'], inplace=True) # Append to the main DataFrame df = pd.concat([df, chunk_df], ignore_index=True) print(df[-5:]) print(f"Time taken: {time.process_time() - start:.2f} seconds") # Drop duplicates again (in case of duplicates across chunks) df.drop_duplicates(subset=['track_uri'], inplace=True) print(df) # Save cleaned DataFrame to CSV df.to_csv("cleaned_df.csv", index=False) print(f"(Peak memory usage: {p.memory_info().peak_wset / 10**9 :.2f} GB)") print(f"Total time taken: {time.process_time() - start:.2f} seconds") </code>
def read_playlists(file_path):
    with open(file_path, "rb") as infile:
        data = json.load(infile)
        for playlist in data['playlists']:
            playlist_df = pd.DataFrame(playlist['tracks'], columns=['track_name', 'track_uri', 'artist_name', 'artist_uri', 'album_name', 'album_uri'])
            yield playlist_df # returns a generator containing dataframe


def clean_data():
    p = psutil.Process()
    start = time.process_time()
    read_files = sorted(glob.glob("spotify_million_playlist_dataset/data/*.json"), key=len)

    # Initialize an empty DataFrame
    df = pd.DataFrame(columns=['track_name', 'track_uri', 'artist_name', 'artist_uri', 'album_name', 'album_uri'])

    chunk_size = 100  # Adjust this based on available memory

    for chunk_files in zip(*[iter(read_files)] * chunk_size): # Read files in chunks 
        chunk_dfs = []
        dfs = []
        with ThreadPoolExecutor(max_workers=None) as executor:  

            for chunk_file in chunk_files: # Read playlists in parallel, iterates through each json file
                executor.submit(chunk_dfs.extend, read_playlists(chunk_file))
                print(chunk_file)
        # Concatenate DataFrames for this chunk
        chunk_df = pd.concat(chunk_dfs)
        
        # Drop duplicates based on track_name and artist_uri
        chunk_df.drop_duplicates(subset=['track_uri'], inplace=True)

        # Append to the main DataFrame
        df = pd.concat([df, chunk_df], ignore_index=True)
        print(df[-5:])
        print(f"Time taken: {time.process_time() - start:.2f} seconds")

    # Drop duplicates again (in case of duplicates across chunks)
    df.drop_duplicates(subset=['track_uri'], inplace=True)
    print(df)   
    # Save cleaned DataFrame to CSV
    df.to_csv("cleaned_df.csv", index=False)

    print(f"(Peak memory usage: {p.memory_info().peak_wset / 10**9 :.2f} GB)")
    print(f"Total time taken: {time.process_time() - start:.2f} seconds")

I have attempted to reduce this runtime by storing the dataframes into a single list and performing a single concatenation at then end but that increases memory usage greatly.

Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa Dịch vụ tổ chức sự kiện 5 sao Thông tin về chúng tôi Dịch vụ sinh nhật bé trai Dịch vụ sinh nhật bé gái Sự kiện trọn gói Các tiết mục giải trí Dịch vụ bổ trợ Tiệc cưới sang trọng Dịch vụ khai trương Tư vấn tổ chức sự kiện Hình ảnh sự kiện Cập nhật tin tức Liên hệ ngay Thuê chú hề chuyên nghiệp Tiệc tất niên cho công ty Trang trí tiệc cuối năm Tiệc tất niên độc đáo Sinh nhật bé Hải Đăng Sinh nhật đáng yêu bé Khánh Vân Sinh nhật sang trọng Bích Ngân Tiệc sinh nhật bé Thanh Trang Dịch vụ ông già Noel Xiếc thú vui nhộn Biểu diễn xiếc quay đĩa Dịch vụ tổ chức tiệc uy tín Khám phá dịch vụ của chúng tôi Tiệc sinh nhật cho bé trai Trang trí tiệc cho bé gái Gói sự kiện chuyên nghiệp Chương trình giải trí hấp dẫn Dịch vụ hỗ trợ sự kiện Trang trí tiệc cưới đẹp Khởi đầu thành công với khai trương Chuyên gia tư vấn sự kiện Xem ảnh các sự kiện đẹp Tin mới về sự kiện Kết nối với đội ngũ chuyên gia Chú hề vui nhộn cho tiệc sinh nhật Ý tưởng tiệc cuối năm Tất niên độc đáo Trang trí tiệc hiện đại Tổ chức sinh nhật cho Hải Đăng Sinh nhật độc quyền Khánh Vân Phong cách tiệc Bích Ngân Trang trí tiệc bé Thanh Trang Thuê dịch vụ ông già Noel chuyên nghiệp Xem xiếc khỉ đặc sắc Xiếc quay đĩa thú vị
Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa
Thiết kế website Thiết kế website Thiết kế website Cách kháng tài khoản quảng cáo Mua bán Fanpage Facebook Dịch vụ SEO Tổ chức sinh nhật