大数据存储技巧,快出csv文件10000倍!
共 4238字,需浏览 9分钟
·
2021-06-21 15:06
点击左上方蓝字关注我们
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。
csv feather hdf5 jay parquet pickle
csv
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
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
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。
jay
Datatable使用.jay(二进制)格式,这使得读取数据集的速度非常快。
parquet
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
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。
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
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。
Tutorial on reading large datasets https://docs.python.org/3/library/pickle.html https://parquet.apache.org/documentation/latest/ https://www.hdfgroup.org/solutions/hdf5
END
整理不易,点赞三连↓