别再用CSV了,更高效的Python文件存储方案 |
您所在的位置:网站首页 › 大数据的存储 › 别再用CSV了,更高效的Python文件存储方案 |
CSV无可厚非的是一种良好的通用文件存储方式,几乎任何一款工具或者编程语言都能对其进行读写,但是当文件特别大的时候,CSV这种存储方式就会变得十分缓慢且低效。本文将介绍几种在Python中能够代替CSV这种格式的其他文件格式,并对比每种文件存储的时间与大小。 先说结论,parquet是最好的文件存储格式,具体对比见下文。 生成随机数据 导入依赖 import random import string import pickle # 以下需要自行安装 import numpy as np import pandas as pd import tables import pyarrow as pa import pyarrow.feather as feather import pyarrow.parquet as pq import fastparquet as fp 生成随机数据这里使用pandas的dataframe来存储数据 # 变量定义 row_num = int(1e7) col_num = 5 str_len = 4 str_nunique = 10 # 字符串组合数量 # 生成随机数 int_matrix = np.random.randint(0, 100, size=(row_num, col_num)) df = pd.DataFrame(int_matrix, columns=['int_%d' % i for i in range(col_num)]) float_matrix = np.random.rand(row_num, col_num) df = pd.concat( (df, pd.DataFrame(float_matrix, columns=['float_%d' % i for i in range(col_num)])), axis=1) str_list = [''.join(random.sample(string.ascii_letters, str_len)) for _ in range(str_nunique)] for i in range(col_num): sr = pd.Series(str_list*(row_num//str_nunique) ).sample(frac=1, random_state=i) df['str_%d' % i] = sr print(df.info())生成100w行数据,其中整型,浮点型和字符串各5列,数据大小在内存里大概为1GB+ RangeIndex: 10000000 entries, 0 to 9999999 Data columns (total 15 columns): # Column Dtype --- ------ ----- 0 int_0 int64 1 int_1 int64 2 int_2 int64 3 int_3 int64 4 int_4 int64 5 float_0 float64 6 float_1 float64 7 float_2 float64 8 float_3 float64 9 float_4 float64 10 str_0 object 11 str_1 object 12 str_2 object 13 str_3 object 14 str_4 object dtypes: float64(5), int64(5), object(5) memory usage: 1.1+ GB 保存文件 csvCSV的保存方式很简单,直接使用pandas自带的to_csv() 方法即可 # 写入 df.to_csv('./df_csv.csv', index=False) # 读取 df = pd.read_csv('./df_csv.csv')写入时间花费:78 s 读取时间花费:11.8 s 所需存储空间:1.3GB csv + gz基于自带的压缩方法,对保存的csv文件使用gzip算法进行压缩 # 写入 df.to_csv('./df_csv.csv.gz', index=False, compression='gzip') # 读取 df = pd.read_csv('./df_csv.csv.gz', compression='gzip')写入时间花费:259 s 读取时间花费:22.8 s 所需存储空间:508M csv + zip基于自带的压缩方法,对保存的csv文件使用zip算法进行压缩 # 写入 df.to_csv('./df_csv.csv.zip', index=False, compression='zip') # 读取 df = pd.read_csv('./df_csv.csv.zip', compression='zip')写入时间花费:177 s 读取时间花费:20.7 s 所需存储空间:511M pklpkl文件需要用到built-in的pickle包 # 写入 with open('./df_pkl.pkl', 'wb') as f: pickle.dump(df, f) # 读取 with open('./df_pkl.pkl', 'rb') as f: df = pickle.load(f)写入时间花费:2.89 s 读取时间花费:2.61 s 所需存储空间:858M npynpy是numpy自带的一种保存格式,唯一的缺点是只能保存numpy的格式,所以需要将pandas先转成numpy才行,为了公平,这里我们会算上转换的时间 # 写入 with open('./df_npy.npy', "wb") as f: np.save(f, arr=df.values) # 读取 with open('./df_npy.npy', "rb") as f: df_array = np.load(f, allow_pickle=True) df = pd.DataFrame(df_array)写入时间花费:21 s 读取时间花费:14.8 s 所需存储空间:620M hdf层次数据格式(HDF)是自描述的,允许应用程序在没有外部信息的情况下解释文件的结构和内容。一个HDF文件可以包含一系列相关对象,这些对象可以作为一个组或单个对象进行访问。 这里将使用pandas自带的to_hdf()方法,该方法默认是用的HDF5格式 # 写入 df.to_hdf('df_hdf.h5', key='df') # 读取 df = pd.read_hdf('df_hdf.h5', key='df')写入时间花费:3.96 s 读取时间花费:4.13 s 所需存储空间:1.5G 已废弃 msgpackpandas支持msgpack格式的对象序列化。他是一种轻量级可移植的二进制格式,同二进制的JSON类似,具有高效的空间利用率以及不错的写入(序列化)和读取(反序列化)性能。 从0.25版本开始,不推荐使用msgpack格式,并且之后的版本也将删除它。推荐使用pyarrow对pandas对象进行在线的转换。 read_msgpack() (opens new window)仅在pandas的0.20.3版本及以下版本兼容。 parquetApache Parquet为数据帧提供了分区的二进制柱状序列化。它的设计目的是使数据帧的读写效率,并使数据共享跨数据分析语言容易。Parquet可以使用多种压缩技术来尽可能地缩小文件大小,同时仍然保持良好的读取性能。 这里需要使用到pyarrow里面的方法来进行操作 # 写入 pq.write_table(pa.Table.from_pandas(df), 'df_parquet.parquet') # 读取 df = pq.read_table('df_parquet.parquet').to_pandas()写入时间花费:3.47 s 读取时间花费:1.85 s 所需存储空间:426M featureFeather是一种可移植的文件格式,用于存储内部使用Arrow IPC格式的Arrow表或数据帧(来自Python或R等语言)。Feather是在Arrow项目早期创建的,作为Python和R的快速、语言无关的数据帧存储概念的证明。 这里需要使用到pyarrow里面的方法来进行操作 # 写入 feather.write_feather(df, 'df_feather.feather') # 读取 df = feather.read_feather('df_feather.feather')写入时间花费:1.9 s 读取时间花费:1.52 s 所需存储空间:715M 总结对比表格 文件类型 写入时间(s) 读取时间(s) 存储空间(MB) csv 78.00 11.80 1,300 csv+gz 259.00 22.80 508 csv+zip 177.00 20.70 511 pickle 2.89 2.61 858 npy 21.00 14.80 620 hdf 3.96 4.13 1,500 parquet 3.47 1.85 426 feature 1.90 1.52 715时间对比 空间对比 ![]() 可以看出parquet会是一个保存文件的最好选择,虽然时间上比feature略慢一点,但空间上有着更大的优势。 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |