最近在用 Pandas 读取 csv 进行数据分析,好在数据量不是很大,频率不是很高,使用起来得心用手,不得不说真的很方便。不过当数据量很大,你就要考虑读写的性能了,可以看下这个库,留下印象,以备不时之需。
Pandas 有两个竞争对手,一个是 Dask[1] 另一个是 DataTable[2],不过 Pandas 太牛逼了,其他两个库都提供了与 Pandas 的 DataFrame 相互转换的方法。
它们都可以用来读写 Excel
![c527dd6a382a4ed3165fe42826342fa5.png](https://i-blog.csdnimg.cn/blog_migrate/3824fbf32d65667f0d1d44d19844cce2.png)
![fe4dd7bbf31366a58aab218b0b38aee5.png](https://i-blog.csdnimg.cn/blog_migrate/021f0433c6af932f884122120340751b.png)
有网友对此做了读写性能测试[3],先生成随机数据集,其中包含可变行和三十列——包括字符串、浮点数和整数数据类型。每个测试重复了五次,取其平均值。CSV 的行数从 10 万到 500 万不等。
下面是测试结果:
读取 csv
![8a45d0fcdb1f443877c2f4bbec06a1b4.png](https://i-blog.csdnimg.cn/blog_migrate/69c5997998805bd3491ba87a637905e2.png)
![80bddd8f513d9ebcad2a6e826632add2.png](https://i-blog.csdnimg.cn/blog_migrate/ed73ff200462e16f8c568433e709682f.png)
当行数少于一百万时,Dask 和 Pandas 从 CSV 生成 Pandas DataFrame 的时间大致相同。
但是,当我们超过一百万行时,Dask 的性能会变差,生成 Pandas DataFrame 所花费的时间要比 Pandas 本身多得多。
在这两种情况下,Datatable 在 Pandas 中生成 DataFrame 所需的时间最少,提供高达 4 到 5 倍的加速。
写入 csv
![8dc1ae419dbc961a58800b26f06918ac.png](https://i-blog.csdnimg.cn/blog_migrate/e089b20ead365817c8732e24de01b670.png)
![5c8f2ec0a1359e63dc177df354429d7a.png](https://i-blog.csdnimg.cn/blog_migrate/8ae1984b03d4a9fd09993c6de4fe693c.png)
Dask 在将 Pandas DataFrame 存储到 CSV 方面的表现都比 Pandas 差。而 DataTable 表现最好,比 Pandas 提高了近 8 倍。
最后的话
当数据量大时,用 DataTable。如果觉得有帮助,还请点个在看。
[1]
Dask: https://www.dask.org/get-started
[2]DataTable: https://datatable.readthedocs.io/en/latest/
[3]读写性能测试: https://towardsdatascience.com/its-time-to-say-goodbye-to-pd-read-csv-and-pd-to-csv-27fbc74e8