再見 CSV，速度提升 150 倍！
大家好，我是寶器！
為什么要和CSV再見？
CSV再見。其實也談不上徹底再見吧，日常還是要用的，這里再介紹一個更加高效的數(shù)據(jù)格式。Python處理數(shù)據(jù)時保存和加載文件屬于日常操作了，尤其面對大數(shù)據(jù)量時我們一般都會保存成CSV格式，而不是Excel。一是因為Excel有最大行數(shù)1048576的限制，二是文件占用空間更大，保存和加載速度很慢。CSV沒有行數(shù)限制，相對輕便，但是面對大數(shù)據(jù)量時還是略顯拉夸，百萬數(shù)據(jù)量儲存加載時也要等好久。。不過很多同學(xué)都借此機會抻抻懶腰、摸摸魚，充分利用時間也不錯
。CSV 并不是唯一的數(shù)據(jù)存儲格式。今天和大家介紹一個速度超快、更加輕量級的二進制格式保存格式：feather。Feather是什么？
Feather 是一種用于存儲數(shù)據(jù)幀的數(shù)據(jù)格式。它最初是為了 Python 和 R 之間快速交互而設(shè)計的，初衷很簡單，就是盡可能高效地完成數(shù)據(jù)在內(nèi)存中轉(zhuǎn)換的效率。Feather 也不僅限于 Python 和 R 了，基本每種主流的編程語言中都可以用 Feather 文件。不過，要說明下，它的數(shù)據(jù)格式并不是為長期存儲而設(shè)計的，一般的短期存儲。如何在Python中操作Feather？
Python 中，可以通過 pandas 或 Feather 兩種方式操作。首先需要安裝feather-format。# pip
pip install feather -format
# Anaconda
conda install -c conda-forgefeather-format
Feather、Numpy 和 pandas 來一起配合。數(shù)據(jù)集有 5 列和 1000 萬行隨機數(shù)。import feather
import numpy as np
import pandas as pd
np.random.seed = 42
df_size = 10000000
df = pd.DataFrame({
'a': np.random.rand(df_size),
'b': np.random.rand(df_size),
'c': np.random.rand(df_size),
'd': np.random.rand(df_size),
'e': np.random.rand(df_size)
})
df.head()
csv的操作難度一個水平線，非常簡單。DataFrame 直接to_feather 的 Feather 格式：df.to_feather('1M.feather')
Feather 庫執(zhí)行相同操作的方法：feather.write_dataframe(df, '1M.feather')
pandas加載：df = pd.read_feather('1M.feather')
Feather 加載：df =feather.read_dataframe('1M.feather')
和CSV的區(qū)別
feather和csv的差距有多大。下圖顯示了上面本地保存 DataFrame 所需的時間：
Feather(圖中的Native Feather)比 CSV 快了將近 150 倍左右。如果使用 pandas 處理 Feather 文件并沒有太大關(guān)系，但與 CSV 相比，速度的提高是非常顯著的。
CSV 的讀取速度要慢得多。并且CSV占用的磁盤空間也更大。
CSV 文件占用的空間是 Feather 文件占用的空間的兩倍多。假如我們每天存儲千兆字節(jié)的數(shù)據(jù)，那么選擇正確的文件格式至關(guān)重要。Feather 在這方面完全碾壓了 CSV。Parquet，也是一個可以替代CSV 的格式。結(jié)語
。 這個東西怎么說呢
，當(dāng)你需要它時，它就有用，如果日常沒有速度和空間的強烈需求，還是老老實實CSV吧。CSV已經(jīng)用慣了，改變使用習(xí)慣還是挺難的。評論
圖片
表情