pandas：如何保存数据比较好？

我们在使用pandas处理完数据之后，最终总是要把数据作为一个文件保存下来，
那么，保存数据最常用的文件是什么呢？
我想大部分人一定会选择csv或者excel。

刚接触数据分析时，我也是这么选择的，不过，今天将介绍几种不一样的存储数据的文件格式。
这些文件格式各有自己的一些优点，希望本文能让你以后的数据存储方式能有不一样的选择，从而存储的更加专业。

1. 准备数据

本次使用的数据来自A股2023年全年的日交易数据。
数据下载地址：https://databook.top/。

导入数据：

import pandas as pd

fp = "d:/share/历史行情数据-不复权-2023.csv"

df = pd.read_csv(fp)
df

总共大约120多万条数据。

准备好测试数据之后，开始测试各种文件的效果。

2. CSV

使用pandas做数据分析时，保存数据最常用的格式一定是CSV（或者excel）。
因为CSV格式易于分享，用excel或者文本编辑器都能直接打开。

但是当数据集规模比较大时，它的磁盘利用率和读写效率究竟如何呢？
首先我们把准备的数据保存为一个测试用的test.csv文件。

df = pd.read_csv(fp)
df.to_csv("d:/share/test.csv", index=None)

看看文件大小：

ls .\test.csv

    目录: D:\share

Mode                 LastWriteTime         Length Name
----                 -------------         ------ ----
-a----        2024/03/15  10:41:27      101411037 test.csv

test.csv文件大约:\(101411037/1024/1024 \approx 96.7MB\)

读取效率：

%%timeit
df = pd.read_csv("d:/share/test.csv")

1.73 s ± 54.7 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

写入的效率：

%%timeit
df.to_csv("d:/share/test.csv", index=None)

13.2 s ± 402 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

3. Pickle

Pickle格式是一种用于序列化和反序列化Python对象结构的二进制格式。
它的主要特点是能够将程序中运行的对象信息保存到文件中。

下面，我们先把准备的数据保存为一个测试用的test.pkl文件。

# pickle file
df = pd.read_csv(fp)
df.to_pickle("d:/share/test.pkl")

文件大小：

ls .\test.pkl

    目录: D:\share

Mode                 LastWriteTime         Length Name
----                 -------------         ------ ----
-a----        2024/03/15  10:49:09      116904470 test.pkl

test.pkl文件大约:\(116904470/1024/1024 \approx 111.5MB\)

读取效率：

%%timeit
df = pd.read_pickle("d:/share/test.pkl")

136 ms ± 5.09 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

写入效率：

%%timeit
df.to_pickle("d:/share/test.pkl")

182 ms ± 7.42 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

4. Parquet

Parquet格式是一种列式存储格式，被广泛应用于大数据处理领域。
它采用了压缩和编码技术，能够有效地存储和压缩数据，同时保持数据的结构和模式。

下面，我们先把准备的数据保存为一个测试用的test.parquet文件。

# parquet file
df = pd.read_csv(fp)
df.to_parquet("d:/share/test.parquet")

文件大小：

ls .\test.parquet

    目录: D:\share

Mode                 LastWriteTime         Length Name
----                 -------------         ------ ----
-a----        2024/03/15  10:52:08       32964728 test.parquet

test.parquet文件大约:\(32964728/1024/1024 \approx 31.4MB\)

读取效率：

%%timeit
df = pd.read_parquet("d:/share/test.parquet")

200 ms ± 8.54 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

写入效率：

%%timeit
df.to_parquet("d:/share/test.parquet")

1.23 s ± 62.4 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

5. Feather

Feather格式是一种高速、轻量且易于使用的二进制文件格式，专门用于存储数据帧。
Feather的主要目标是提供高性能的读写操作。

下面，我们先把准备的数据保存为一个测试用的test.feather文件。

# feather file
df = pd.read_csv(fp)
df.to_feather("d:/share/test.feather")

文件大小：

ls .\test.feather

    目录: D:\share

Mode                 LastWriteTime         Length Name
----                 -------------         ------ ----
-a----        2024/03/15  11:17:15       57347098 test.feather

test.feather文件大约:\(57347098/1024/1024 \approx 54.7MB\)

读取效率：

%%timeit
df = pd.read_feather("d:/share/test.feather")

130 ms ± 5.29 ms per loop (mean ± std. dev. of 7 runs, 10 loops each)

写入效率：

%%timeit
df.to_feather("d:/share/test.feather")

277 ms ± 14.8 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

6. 总结

pandas能够保存的文件格式有很多，比如还有XML，JSON，HTML等等，
上面列出的4种是我认为比较典型，且在数据分析领域用的比较多的格式。

4种格式的比较总结如下：

	磁盘占用	读取效率	写入效率
csv	96.7 MB	1.73 s ± 54.7 ms	13.2 s ± 402 ms
pickle	111.5 MB	136 ms ± 5.09 ms	182 ms ± 7.42 ms
parquet	31.4 MB	200 ms ± 8.54 ms	1.23 s ± 62.4 ms
feather	54.7 MB	130 ms ± 5.29 ms	277 ms ± 14.8 ms

综合来看，当我们的数据量不大的时候，用CSV格式比较好，分享方便，可以用多种编辑器直接打开查看。
当数据规模变大了之后，如果数据需要长期存储，而且不需要经常的更新写入，那么用parquet格式（它的磁盘占用最低，读取性能好，写入性能略逊）；
如果只要短期存储的话，用fetdher格式更好（磁盘占用不算高，读写性能都不错）。

至于pickle格式，它的读写性能也不错，但它的最大优势是可以保存python对象的状态，只用来保存数据的话，这个优势难以体现。
而且它的磁盘占用比较大，单纯保存数据的话，不建议使用这种格式。