Pandas 支持多種存儲格式,在本文中將對不同類型存儲格式下的Pandas Dataframe的讀取速度、寫入速度和大小的進行測試對比。 ![]() 創(chuàng)建測試Dataframe首先創(chuàng)建一個包含不同類型數(shù)據(jù)的測試Pandas Dataframe。 import pandas as pdimport randomimport stringimport numpy as np# Config DFdf_length= 10**6start_date= '2023-01-01'all_string= list(string.ascii_letters + string.digits)string_length= 10**1min_number= 0max_number= 10**3# Create Columnsdate_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 DataFramedf= pd.DataFrame({'date_col' : date_col, 'str_col' : str_col, 'float_col' : float_col, 'int_col' : int_col})df.info()df.head() 以不同的格式存儲接下來創(chuàng)建測試函數(shù),以不同的格式進行讀寫。
然后運行該函數(shù)并將結(jié)果存儲在另一個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 測試結(jié)果下面的圖表和表格是測試的結(jié)果。 ![]() 我們對測試的結(jié)果做一個簡單的分析 CSV
Pickle
Feather 最快的讀寫速度,文件的大小也是中等,非常的平均 ORC
Parquet 總的來說,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)果來看,我們應該使用ORC或Feather,而不再使用CSV ?是嗎? “這取決于你的系統(tǒng)?!?/p> 如果你正在做一些單獨的項目,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,但是當需要將數(shù)據(jù)發(fā)送到另一個系統(tǒng)時,它非常容易。 ORC作為傳統(tǒng)的大數(shù)據(jù)處理格式(來自Hive)對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候可以優(yōu)先選擇Parquet。 |
|