pandas 各种存储格式速度对比：CSV、hdf5、SQL、pickle、feather、parquet

news2024/12/23 13:18:50

前言：目前我在做一个callback函数，需要将数据重复的读取、写入，再供使用，并且数据量比较大，所以需要使用一个读写速度快的存储方式，不太考虑占用的磁盘空间

直接看结果

在这里插入图片描述

csv的文件存储，在读取的时候是最为消耗时间的；如果数据大的话不建议存储为csv形式；
jay文件是读取最快的（相较于其他的快了极市上百倍），比csv则快了千万倍；
feather在存储速度上是最快的，读取速度也还可以，适用于比较均衡的场景

存储类型：

feather，parquet：有数据冗余排除算法，可节省大量空间，根据数据类型可压缩数千倍（feather可以显著提高了数据集的读取速度、在Hadoop生态系统中，parquet被广泛用作表格数据集的主要文件格式，Parquet使Hadoop生态系统中的任何项目都可以使用压缩的、高效的列数据表示的优势。现在parquet与Spark一起广泛使用。这些年来，它变得更容易获得和更有效，也得到了pandas的支持。）

hdf，SQL：支持SQL索引（hdf5设计用于快速I/O处理和存储，它是一个高性能的数据管理套件，可以用于存储、管理和处理大型复杂数据。）

csv：纯字符串存储（csv格式是使用最多的一个存储格式，但是其存储和读取的速度会略慢。）

pkl：python object 直接存储到文件（pickle模块实现二进制协议，用于序列化和反序列化Python对象结构。Python对象可以以pickle文件的形式存储，pandas可以直接读取pickle文件。pickle模块不安全。最好只unpickle你信任的数据。）

jay：Datatable使用.jay（二进制）格式，这使得读取数据集的速度非常快。

读取方式：

jay读取（jay文件是读取最快的）

安装 datatable 包

pip install -i https://pypi.doubanio.com/simple/ --trusted-host pypi.doubanio.com datatable

存

import datatable as dt
t0=time.time()
t1=time.perf_counter() 

dt.Frame(data).to_jay("data.jay")

t2=time.time()
t3=time.perf_counter() 
 
print("cpu time:",t3-t1)
print("wall time:",t2-t0)
'''
cpu time: 6.169269200000599
wall time: 6.168536901473999
'''

读

t0=time.time()
t1=time.perf_counter() 

data_jay = dt.fread("./data.jay")

t2=time.time()
t3=time.perf_counter() 
 
print("cpu time:",t3-t1)
print("wall time:",t2-t0)
'''
cpu time: 0.03480849999959901
wall time: 0.034420013427734375
'''
data_jay.shape

feather读取（feather在存储速度上是最快的）

存

import time
t0=time.time()
t1= time.perf_counter() 

data.to_feather("data.feather")

t2=time.time()
t3= time.perf_counter() 
 
print("cpu time:",t3-t1)
print("wall time:",t2-t0)
'''
cpu time: 0.5462657999996736
wall time: 0.5466225147247314
'''

读

t0=time.time()
t1=time.perf_counter() 

data_feather = pd.read_feather("./data.feather")

t2=time.time()
t3=time.perf_counter() 
print("cpu time:",t3-t1)
print("wall time:",t2-t0)
'''
cpu time: 0.6685380999997506
wall time: 0.6682815551757812
'''