Pandas DataFrame的存储格式性能对比

Pandas 支持多种存储格式，在本文中将对不同类型存储格式下的Pandas Dataframe的读取速度、写入速度和大小的进行测试对比。

创建测试Dataframe

首先创建一个包含不同类型数据的测试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()

以不同的格式存储

接下来创建测试函数，以不同的格式进行读写。

import time
import os

def check_read_write_size(df, file_name, compression= None) :
format= file_name.split('.')[-1]
# Write
begin= 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
# Read
begin= 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 Size
file_size_mb = os.path.getsize(file_name) / (1024 * 1024)
return [format, compression, read_time, write_time, file_size_mb]

然后运行该函数并将结果存储在另一个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

测试结果

下面的图表和表格是测试的结果。

我们对测试的结果做一个简单的分析：

CSV

• 未压缩文件的大小最大
• 压缩后的尺寸很小，但不是最小的
• CSV的读取速度和写入速度是最慢的

Pickle

• 表现得很平均
• 但压缩写入速度是最慢的

Feather（再见 CSV，速度提升 150 倍！）

• 最快的读写速度，文件的大小也是中等，非常的平均

ORC

• 所有格式中最小的
• 读写速度非常快，几乎是最快的

Parquet

• 总的来说，快速并且非常小，但是并不是最快也不是最小的

总结

从结果来看，我们应该使用ORC或Feather，而不再使用CSV了，是吗？

这取决于需求。

如果你正在做一些单独的项目，那么使用最快或最小的格式肯定是有意义的。

但大多数时候，我们必须与他人合作。所以，除了速度和大小，还有更多的因素。

未压缩的CSV可能很慢，而且最大，但是当需要将数据发送到另一个系统时，它非常容易。

ORC作为传统的大数据处理格式（来自Hive）对于速度的和大小的优化是做的最好的，Parquet比ORC更大、更慢，但是它却是在速度和大小中取得了最佳的平衡，并且支持他的生态也多，所以在需要处理大文件的时候可以优先选择Parquet。