今天看到一篇文章

参考：对比不同主流存储格式（csv, feather, jay, h5, parquet, pickle）的读取效率

然后我自己也试了一下，感觉发现了“新大陆”，T_T~到现在才知道还有这些存储形式，比这excel、csv快多了。

上次实习的时候，因为不知道可以存为其他格式，把多个几十个G的dataframe处理完后存为csv，过后又要读出来

心态瞬间崩了~

搞数据都搞了好久，浪费时间~拐求

文章目录

desk 读取CSV文件
一、excel 存储格式（xlsx）
二、csv 存储格式
三、pickle 存储格式
四、feather 存储格式
五、parquet 存储格式
六、jay 存储格式
七、hdf5 存储格式

多的不说，直接看效果

这个结论直接借一下参考文章的，有需要的可以详细看参考文章

还有就是，数据稍微大一点，最好不要存为 excel 格式，这真的~慢

最后最后，在借用这位大兄弟的一句话

desk 读取CSV文件

读

import time
import dask
import dask.dataframe as dd
from dask.diagnostics import ProgressBar
from numba import jit
import pandas as pd
import numpy as np
import sys
# ----------------------------------------------------------------------------
switchDict = {0 : 'TEST',1 : 'ALL'
}# 编译数据量状态开关 0为测试（读部分数据），1为全量
status = switchDict[1]
@jit
def importData(fileName):if status == 'TEST':df = dd.read_csv(fileName, header=None, blocksize="100MB").head(17000)else:df = dd.read_csv(fileName,  blocksize="64MB").compute()df.index = pd.RangeIndex(start=0, stop=len(df))return df# 读正样本
t0=time.time()
t1= time.perf_counter()
with ProgressBar():data = importData('train.csv')
t2=time.time()
t3= time.perf_counter() print("cpu time:",t3-t1)
print("wall time:",t2-t0)
'''
cpu time: 3.421277699999337
wall time: 3.421303749084473
'''
print(f"当前数据框占用内存大小：{sys.getsizeof(data)/1024/1024:.2f}M")
data.shape

一、excel 存储格式（xlsx）

存

存为excel表，真的慢到天荒~拉胯啊

import time
t0=time.time()
t1= time.perf_counter() data.to_excel("data.xlsx")t2=time.time()
t3= time.perf_counter() print("cpu time:",t3-t1)
print("wall time:",t2-t0)

等了十几分钟，算了~

读

import time
t0=time.time()
t1= time.perf_counter() data_excel = pd.read_excel("./data.xlsx")t2=time.time()
t3= time.perf_counter() print("cpu time:",t3-t1)
print("wall time:",t2-t0)

二、csv 存储格式

存

import time
t0=time.time()
t1= time.perf_counter() data.to_csv("data.csv")t2=time.time()
t3= time.perf_counter() print("cpu time:",t3-t1)
print("wall time:",t2-t0)
'''
cpu time: 32.49002720000135
wall time: 32.48996901512146
'''

读

import time
t0=time.time()
t1= time.perf_counter() data_csv = pd.read_csv("./data.csv")t2=time.time()
t3= time.perf_counter() print("cpu time:",t3-t1)
print("wall time:",t2-t0)
'''
cpu time: 7.5742819999995845
wall time: 7.574833154678345
'''

三、pickle 存储格式

Pickle：用于序列化和反序列化Python对象结构

详细百度八~

存

import time
t0=time.time()
t1= time.perf_counter() data.to_pickle("data.pkl.gzip")t2=time.time()
t3= time.perf_counter() print("cpu time:",t3-t1)
print("wall time:",t2-t0)
'''
cpu time: 1.1933384000002625
wall time: 1.1980044841766357
'''

读

import time
t0=time.time()
t1= time.perf_counter() data_pickle = pd.read_pickle("./data.pkl.gzip")t2=time.time()
t3= time.perf_counter() print("cpu time:",t3-t1)
print("wall time:",t2-t0)
'''
cpu time: 1.246990000000551
wall time: 1.246736764907837
'''

四、feather 存储格式

Feather：一个快速、轻量级的存储框架

网上很多推荐这个存储格式的

再见 CSV，速度提升 150 倍！

详细百度八~

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
'''

五、parquet 存储格式

Parquet：Apache Hadoop的列式存储格式

详细百度八~

存

import time
t0=time.time()
t1= time.perf_counter() data.to_parquet("data.parquet")t2=time.time()
t3= time.perf_counter() print("cpu time:",t3-t1)
print("wall time:",t2-t0)
'''
cpu time: 2.874607599999763
wall time: 2.874359369277954
'''

读

t0=time.time()
t1=time.perf_counter() data_parquet = pd.read_parquet("./data.parquet")t2=time.time()
t3=time.perf_counter() print("cpu time:",t3-t1)
print("wall time:",t2-t0)
'''
cpu time: 0.9940449000000153
wall time: 0.9959096908569336
'''

六、jay 存储格式

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

当我查看内容时，该对象是frame

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

七、hdf5 存储格式

存

普通格式存储

import time
t0=time.time()
t1= time.perf_counter() ####普通格式存储：
h5 = pd.HDFStore('./data.h5','w')
h5['data'] = data
h5.close()t2=time.time()
t3= time.perf_counter() print("cpu time:",t3-t1)
print("wall time:",t2-t0)
'''
cpu time: 2.1860209000005852
wall time: 2.186391592025757
'''

压缩格式存储

import time
t0=time.time()
t1= time.perf_counter() ####压缩格式存储
h5 = pd.HDFStore('./data.h5','w', complevel=4, complib='blosc')
h5['data'] = data
h5.close()t2=time.time()
t3= time.perf_counter() print("cpu time:",t3-t1)
print("wall time:",t2-t0)
'''
cpu time: 1.9893786000002365
wall time: 1.9896411895751953
'''

读

t0=time.time()
t1=time.perf_counter() data_hdf5 = pd.read_hdf('./data.h5',key='data')t2=time.time()
t3=time.perf_counter() print("cpu time:",t3-t1)
print("wall time:",t2-t0)
'''
cpu time: 1.4497185000000172
wall time: 1.4497275352478027
'''

Python Dataframe之excel、csv、pickle、feather、parquet、jay、hdf5 文件存储格式==》存读效率对比相关推荐

python中txt转成csv_python 快速把超大txt文件转存为csv的实例
今天项目有个需求,就是把txt文件转为csv,txt之间是空格隔开,转为csv时需要把空格转换为逗号,网上找的一个版本,只需要三行代码,特别犀利: import numpy as np import ...
hdf5文件和csv的区别_使用HDF5文件并创建CSV文件
hdf5文件和csv的区别 In my last article, I discussed the steps to download NASA data from GES DISC. The dat ...
python怎么筛选excel数据_Python如何实现excel筛选后生成新表
Python如何实现excel筛选后生成新表 xlrd对exce进行读操作,xlwt对exce进行写操作. 实现把excel中某些单元格的部分字符作为关键字,进行查找.话不多说直接上代码.# -*- ...
Python 教程之如何在 Python 中处理大型数据集CSV、Pickle、Parquet、Feather 和 HDF5 的比较
时隔这么久, Kaggle 终于推出了新的表格数据竞赛,一开始大家都很兴奋.直到他们没有.当 Kagglers 发现数据集有 50 GB 大时,社区开始讨论如何处理如此大的数据集. CSV 文件格式需 ...
python csv转excel_使用 Python 把 PDF 转为 CSV 和 Excel（一）
杭州国立公证处-公正摇号会不定期公布杭州各个楼盘的购房意向登记汇总表和摇号结果,里面公开的数据是很全面的,对于想要分析一波数据搞点事情的人来说,挺有吸引力的. 但当你兴冲冲地去官网下载完数据,一看傻 ...
Python数据分析实战-提取DataFrame（Excel）某列（字段）最全操作（附源码和实现效果）
实现功能: Python数据分析实战-提取DataFrame(Excel)某列(字段)最全操作,代码演示了单列提取和多列提取两种情况,其中单列提取有返回series格式和dataframe两种情况,在 ...
python pandas库读取excel/csv中指定行或列数据详解
通过阅读表格,可以发现Pandas中提供了非常丰富的数据读写方法,下面这篇文章主要给大家介绍了关于python利用pandas库读取excel/csv中指定行或列数据的相关资料,需要的朋友可以参考下 ...
python：dataframe保存成csv文件和读取
一.从csv文件读取数据为dataframe 函数原型: pandas.read_csv(filepath_or_buffer, sep=', ', delimiter=None, header='i ...
python合并word单元格_python之DataFrame实现excel合并单元格_python
这篇文章主要为大家详细介绍了python之DataFrame实现excel合并单元格,具有一定的参考价值,感兴趣的小伙伴们可以参考一下在工作中经常遇到需要将数据输出到excel,且需要对其中一些单元 ...
python合并多个csv文件为excel并绘制曲线（参考文章记录）
1 Python将多个excel文件合并为一个文件 https://blog.csdn.net/jiahaowanhao/article/details/80547623?utm_medium=dis ...

Python Dataframe之excel、csv、pickle、feather、parquet、jay、hdf5 文件存储格式==》存读效率对比

文章目录

desk 读取CSV文件

一、excel 存储格式（xlsx）

二、csv 存储格式

三、pickle 存储格式

四、feather 存储格式

五、parquet 存储格式

六、jay 存储格式

七、hdf5 存储格式

Python Dataframe之excel、csv、pickle、feather、parquet、jay、hdf5 文件存储格式==》存读效率对比相关推荐

最新文章

热门文章