c++读取csv_好强一个Julia！CSV数据读取，性能最高多出R、Python 22倍

木易 发自 凹非寺

量子位 报道 | 公众号 QbitAI

工欲善其事，必先利其器。

一项便捷且高效的语言对于数据工作者来说是至关重要的。

目前，数据科学绝大多数使用的是R、Python、Java、MatLab和SAS。

其中，尤为Python、R的使用最为广泛。

不过，Julia自2009年出现以来，凭借其速度、性能、易用性及语言的互操性等优势，已然掀起一股全新的浪潮。

最近，便有人使用Julia、Python和R对于CSV读取速度进行了基准测试。

其选用来3个不同的CSV解析器：

R的fread、Pandas的read_csv、Julia的CSV.jl

这三者分别在R，Python和Julia中被认为是同类CSV解析器中“最佳” 。

之后使用他们分别读取了8个不同真实数据集。

那么，测试的结果又是如何呢？让我们来一起看下。

同构数据集的性能

首先从同构数据集开始进行性能测试。

性能指标是随着线程数从1增加到20而加载数据集所花费的时间。

由于Pandas不支持多线程，因此报告中的所有数据均为单线程的速度。

浮点型数据集

第一个数据集包含以1000k行和20列排列的浮点值。

Pandas需要232毫秒来加载此文件。

首先在单线程下，data.table(fread)比CSV.jl快1.6倍。

而在使用多线程处理时，CSV.jl则表现得更好，是data.table速度的2倍以上。

单线程CSV.jl是没有多线程的Pandas(Python)的1.5倍，而多线程的CSV.jl可以达到11倍。

字符串数据集 I

此数据集在且具有1000k行和20列，并且所有列中不存在缺失值。

Pandas需要546毫秒来加载文件。

使用R，添加线程似乎不会导致任何性能提升。

单线程CSV.jl比data.table快2.5倍，而在10个线程中，CSV.jl则大约比data.table快14倍。

字符串数据集 II

该数据集的大小与字符串数据集 I 中相同。区别在于，其每一列是存在缺失值的。

Pandas需要300毫秒。

单线程中，CSV.jl比R快1.2倍，而多线程相比，CSV.jl则快约5倍。

苹果股价数据集

该数据集包含50000k行和5列，大小为2.5GB。这些是AAPL股票的开盘价、最高价、最低价和收盘价。价格的四个列是浮点值，并且有一个列是日期。

单线程CSV.jl比从data.table中读取的R速度快约1.5倍。

而多线程，CSV.jl的速度提高了约22倍！

Pandas的read_csv需要34秒才能读取，这比R和Julia都要慢。

异构数据集的性能

接下来是关于异构数据集的性能测试。

混合型数据集

此数据集具有10k行和200列。这些列包含的数据值类型有：String，Float，DateTime、Missing。

Pandas大约需要400毫秒来加载此数据集。

单线程中，CSV.jl比R快2倍，而使用10个线程则快了10倍。

按揭贷款风险数据集

从Kaggle取得的按揭贷款风险数据集是一种混合型的数据集，具有356k行和2190列。这些列是异构的，其数据值类型有：String、Int、Float、Missing。

Pandas需要119秒才能读取此数据集。

单线程data.table读取大约比CSV.jl快两倍。

但是，使用更多线程，Julia的速度与R一样快或稍快。

宽数据集

这是一个相当宽的数据集，具有1000行和20k列。数据集包含的数据值类型有：String、Int。

Pandas需要7.3秒才能读取数据集。

在这种情况下，单线程的data.table大约比CSV.jl快5倍。线程的增加，CSV.jl稍慢于R。

房利美收购数据集

从房利美网站上下载的数据集，有4000k行和25列，数据类型为：Int、String、Float，Missing。

单线程data.table比CSV.jl快1.25倍。

但是，随着线程的增加，CSV.jl的性能不断提高。CSV.jl的多线程处理速度提高了约4倍。

总结

纵览8个测试：

可以看出，在所有八个数据集中，Julia的CSV.jl总是比Pandas快，并且在多线程的情况下，它与R的data.table互有竞争。

可见，在CSV读取方面，Julia完全有能力与Python或和R竞争甚至做得更好。

此外，Julia的CSV.jl是独特的。

因为它是唯一直接以其高级语言完全实现功能的，这有别于先用C实现然后由R或Python工具进行封装。

因此，Julia代码的后续性能将有着更多的可能。