大数据存储技巧，快出csv文件10000倍！

我们对比了在遇到大数据时，不同数据处理工具包的优劣：

• 是否拥有丰富的数据处理函数；
• 是否读取数据够快；
• 是否需要额外设备（例如GPU）的支持等等。

但无论这些工具包处理数据的时间多快，在碰到例如10G以上的数据时，都还是会耗费一些时间的，快的可能几十秒，慢的可能几十分钟，然后再进行一些特征抽取等等，快的话也得几十分钟，而此时，为了节省时间消耗，我们就需要将这些中间结果先存储到磁盘上面，而不同格式的存储，带来的差别是巨大的，比如：

• 存储一个大的文件，存成csv格式需要10G，但是存成其它格式可能就只需要2G；
• 存成csv文件读取需要20分钟，存成其它格式读取只需要10秒。

存储格式的选择也会节省海量的时间，那么究竟选用何种存储方式呢？本文我们就对比下面几大流行的存储格式。

1. csv
2. feather
3. hdf5
4. jay
5. parquet
6. pickle

数据存储格式对比

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。

feather是一种可移植的文件格式，用于存储Arrow表或数据帧（来自Python或R等语言），它在内部使用Arrow-IPC格式。Feather是在Arrow项目早期创建的，作为Python（pandas）和R的快速、语言无关的数据帧存储的概念证明。

• feather可以显著提高了数据集的读取速度

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。

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

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。

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。注意，

• pickle模块不安全。最好只unpickle你信任的数据。

代 码

1.csv读取

dtypes = {
    "row_id": "int64",
    "timestamp": "int64",
    "user_id": "int32",
    "content_id": "int16",
    "content_type_id": "boolean",
    "task_container_id": "int16",
    "user_answer": "int8",
    "answered_correctly": "int8",
    "prior_question_elapsed_time": "float32", 
    "prior_question_had_explanation": "boolean"
}

data = pd.read_csv("../input/riiid-test-answer-prediction/train.csv", dtype=dtypes)
 
# Train size: (101230332, 10)
# CPU times: user 8min 15s, sys: 11.7 s, total: 8min 27s
# Wall time: 9min 24s

2.feather读取

%%time
data = pd.read_feather("../input/riiid-train-data-multiple-formats/riiid_train.feather")
print("Train size:", data.shape)

# Train size: (101230332, 10)
# CPU times: user 3 s, sys: 17.5 s, total: 20.5 s
# Wall time: 19.6 s

3.hdf5读取

%%time
data = pd.read_hdf("../input/riiid-train-data-multiple-formats/riiid_train.h5", "riiid_train")
print("Train size:", data.shape)

# Train size: (101230332, 10)
# CPU times: user 10.5 s, sys: 10.5 s, total: 20.9 s
# Wall time: 53.8 s

4.jay读取

%%time
data = dt.fread("../input/riiid-train-data-multiple-formats/riiid_train.jay")
print("Train size:", data.shape)
# Train size: (101230332, 10)
# CPU times: user 4.66 ms, sys: 2.77 ms, total: 7.43 ms
# Wall time: 24.5 ms

5.parquet读取

%%time
data = pd.read_parquet("../input/riiid-train-data-multiple-formats/riiid_train.parquet")
print("Train size:", data.shape)

# Train size: (101230332, 10)
# CPU times: user 43.4 s, sys: 17.7 s, total: 1min 1s
# Wall time: 47.2 s

6.pickle读取

%%time
data = pd.read_pickle("../input/riiid-train-data-multiple-formats/riiid_train.pkl.gzip")
print("Train size:", data.shape)

# Train size: (101230332, 10)
# CPU times: user 5.75 s, sys: 8.7 s, total: 14.5 s
# Wall time: 42.3 s

小 结

• 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，相较于其他的快了几百倍，比csv则快了千万倍；
• feather，hdf5，parquet和pickle也都很快，比csv文件的读取快10倍不止。

参考文献

1. Tutorial on reading large datasets
2. https://docs.python.org/3/library/pickle.html
3. https://parquet.apache.org/documentation/latest/
4. https://www.hdfgroup.org/solutions/hdf5