Pandas DataFrame 数据存储格式比较

Pandas 支持多种存储格式，在本文中将对不同类型存储格式下的Pandas Dataframe的读取速度、写入速度和大小的进行测试对比。

创建测试Dataframe

首先创建一个包含不同类型数据的测试Pandas Dataframe。

 import pandas as pd
 import random
 import string
 import numpy as np
 
 # Config DF
 df_length= 10**6
 start_date= '2023-01-01'
 all_string= list(string.ascii_letters + string.digits)
 string_length= 10**1
 min_number= 0
 max_number= 10**3
 
 # Create Columns
 date_col= pd.date_range(start= start_date, periods= df_length, freq= 'H')
 str_col= [''.join(np.random.choice(all_string, string_length)) for i in range(df_length)]
 float_col= np.random.rand(df_length)
 int_col= np.random.randint(min_number,max_number, size = df_length)
 
 # Create DataFrame
 df= pd.DataFrame({'date_col' : date_col, 
                   'str_col' : str_col, 
                   'float_col' : float_col, 
                   'int_col' : int_col})
 df.info()
 df.head()

以不同的格式存储

接下来创建测试函数，以不同的格式进行读写。

 import time 
 import os
 
 def check_read_write_size(df, file_name, compression= None) :
     format= file_name.split('.')[-1]
     # Write
     begin= time.time()
     if file_name.endswith('.csv') : df.to_csv(file_name, index= False, compression= compression)
     elif file_name.endswith('.parquet') : df.to_parquet(file_name, compression= compression)
     elif file_name.endswith('.pickle') : df.to_pickle(file_name, compression= compression)
     elif file_name.endswith('.orc') : df.to_orc(file_name)
     elif file_name.endswith('.feather') : df.to_feather(file_name)
     elif file_name.endswith('.h5') : df.to_hdf(file_name, key= 'df')
     write_time= time.time() - begin
     # Read
     begin= time.time()
     if file_name.endswith('.csv') : pd.read_csv(file_name, compression= compression)
     elif file_name.endswith('.parquet') : pd.read_parquet(file_name)
     elif file_name.endswith('.pickle') : pd.read_pickle(file_name, compression= compression)
     elif file_name.endswith('.orc') : pd.read_orc(file_name)
     elif file_name.endswith('.h5') : pd.read_hdf(file_name)
     read_time= time.time() - begin
     # File Size
     file_size_mb = os.path.getsize(file_name) / (1024 * 1024)
     return [format, compression, read_time, write_time, file_size_mb]

然后运行该函数并将结果存储在另一个Pandas Dataframe中。

 test_case= [
             ['df.csv','infer'],
             ['df.csv','gzip'],
             ['df.pickle','infer'],
             ['df.pickle','gzip'],
             ['df.parquet','snappy'],
             ['df.parquet','gzip'],
             ['df.orc','default'],
             ['df.feather','default'],
             ['df.h5','default'],
             ]
 
 result= []
 for i in test_case :
     result.append(check_read_write_size(df, i[0], compression= i[1]))
 
 result_df= pd.DataFrame(result, columns= ['format','compression','read_time','write_time','file_size'])
 result_df

测试结果

下面的图表和表格是测试的结果。

我们对测试的结果做一个简单的分析

CSV

• 未压缩文件的大小最大
• 压缩后的尺寸很小，但不是最小的
• CSV的读取速度和写入速度是最慢的

Pickle

• 表现得很平均
• 但压缩写入速度是最慢的

Feather

最快的读写速度，文件的大小也是中等，非常的平均

ORC

• 所有格式中最小的
• 读写速度非常快，几乎是最快的

Parquet

总的来说，快速并且非常小，但是并不是最快也不是最小的

总结

从结果来看，我们应该使用ORC或Feather，而不再使用CSV ?是吗？

“这取决于你的系统。”

如果你正在做一些单独的项目，那么使用最快或最小的格式肯定是有意义的。

但大多数时候，我们必须与他人合作。所以，除了速度和大小，还有更多的因素。

未压缩的CSV可能很慢，而且最大，但是当需要将数据发送到另一个系统时，它非常容易。

ORC作为传统的大数据处理格式（来自Hive）对于速度的和大小的优化是做的最好的，Parquet比ORC更大、更慢，但是它却是在速度和大小中取得了最佳的平衡，并且支持他的生态也多，所以在需要处理大文件的时候可以优先选择Parquet。

https://avoid.overfit.cn/post/387acc48c7dd42a49f7bec90cc6d09ae