Pandas DataFrame 數(shù)據(jù)存儲(chǔ)格式比較
Pandas 支持多種存儲(chǔ)格式，在本文中將對(duì)不同類(lèi)型存儲(chǔ)格式下的Pandas Dataframe的讀取速度、寫(xiě)入速度和大小的進(jìn)行測(cè)試對(duì)比。
創(chuàng)建測(cè)試Dataframe
首先創(chuàng)建一個(gè)包含不同類(lèi)型數(shù)據(jù)的測(cè)試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()以不同的格式存儲(chǔ)
接下來(lái)創(chuàng)建測(cè)試函數(shù)，以不同的格式進(jìn)行讀寫(xiě)。
import time
import os
def check_read_write_size(df, file_name, compressinotallow= None) :
format= file_name.split('.')[-1]
# Write
begin= time.time()
if file_name.endswith('.csv') : df.to_csv(file_name, index= False, compressinotallow= compression)
elif file_name.endswith('.parquet') : df.to_parquet(file_name, compressinotallow= compression)
elif file_name.endswith('.pickle') : df.to_pickle(file_name, compressinotallow= 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, compressinotallow= compression)
elif file_name.endswith('.parquet') : pd.read_parquet(file_name)
elif file_name.endswith('.pickle') : pd.read_pickle(file_name, compressinotallow= 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]然后運(yùn)行該函數(shù)并將結(jié)果存儲(chǔ)在另一個(gè)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], compressinotallow= i[1]))
result_df= pd.DataFrame(result, columns= ['format','compression','read_time','write_time','file_size'])
result_df測(cè)試結(jié)果
下面的圖表和表格是測(cè)試的結(jié)果。
我們對(duì)測(cè)試的結(jié)果做一個(gè)簡(jiǎn)單的分析
CSV
- 未壓縮文件的大小最大
- 壓縮后的尺寸很小，但不是最小的
- CSV的讀取速度和寫(xiě)入速度是最慢的
Pickle
- 表現(xiàn)得很平均
- 但壓縮寫(xiě)入速度是最慢的
Feather
最快的讀寫(xiě)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
- 讀寫(xiě)速度非常快，幾乎是最快的
Parquet
總的來(lái)說(shuō)，快速并且非常小，但是并不是最快也不是最小的
總結(jié)
從結(jié)果來(lái)看，我們應(yīng)該使用ORC或Feather，而不再使用CSV ?是嗎？
“這取決于你的系統(tǒng)。”
如果你正在做一些單獨(dú)的項(xiàng)目，那么使用最快或最小的格式肯定是有意義的。
但大多數(shù)時(shí)候，我們必須與他人合作。所以，除了速度和大小，還有更多的因素。
未壓縮的CSV可能很慢，而且最大，但是當(dāng)需要將數(shù)據(jù)發(fā)送到另一個(gè)系統(tǒng)時(shí)，它非常容易。
ORC作為傳統(tǒng)的大數(shù)據(jù)處理格式（來(lái)自Hive）對(duì)于速度的和大小的優(yōu)化是做的最好的，Parquet比ORC更大、更慢，但是它卻是在速度和大小中取得了最佳的平衡，并且支持他的生態(tài)也多，所以在需要處理大文件的時(shí)候可以?xún)?yōu)先選擇Parquet。
