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。
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()接下來創(chuàng)建測試函數(shù)，以不同的格式進行讀寫。
import time import osdef check_read_write_size(df, file_name, compression= None) :format= file_name.split('.')[-1]# Writebegin= 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# Readbegin= 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 Sizefile_size_mb = os.path.getsize(file_name) / (1024 * 1024)return [format, compression, read_time, write_time, file_size_mb]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
從結(jié)果來看，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)?！?/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(dāng)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。
