更高效的利用Jupyter+pandas進行數(shù)據(jù)分析

在使用Python進行數(shù)據(jù)分析時，Jupyter Notebook是一個非常強力的工具，在數(shù)據(jù)集不是很大的情況下，我們可以使用pandas輕松對txt或csv等純文本格式數(shù)據(jù)進行讀寫。

然而當數(shù)據(jù)集的維度或者體積很大時，將數(shù)據(jù)保存并加載回內(nèi)存的過程就會變慢，并且每次啟動Jupyter Notebook時都需要等待一段時間直到數(shù)據(jù)重新加載， 這樣csv格式或任何其他純文本格式數(shù)據(jù)都失去了吸引力。

本文將對pandas支持的多種格式數(shù)據(jù)在處理數(shù)據(jù)的不同方面進行比較，包含I/O速度、內(nèi)存消耗、磁盤占用空間等指標，試圖找出如何為我們的數(shù)據(jù)找到一個合適的格式的辦法！

格式說明

現(xiàn)在對本文進行對比的幾種數(shù)據(jù)格式進行說明。

CSV：最常用的數(shù)據(jù)格式

Pickle：用于序列化和反序列化Python對象結(jié)構(gòu)

MessagePack：類似于json，但是更小更塊

HDF5：一種常見的跨平臺數(shù)據(jù)儲存文件

Feather：一個快速、輕量級的存儲框架

Parquet：Apache Hadoop的列式存儲格式

指標說明

為了找到格式來存儲數(shù)據(jù)，本文選擇以下指標進行對比。

size_mb：帶有序列化數(shù)據(jù)幀的文件的大小

save_time：將數(shù)據(jù)幀保存到磁盤所需的時間

load_time：將先前轉(zhuǎn)儲的數(shù)據(jù)幀加載到內(nèi)存所需的時間

save_ram_delta_mb：在數(shù)據(jù)幀保存過程中最大的內(nèi)存消耗增長

load_ram_delta_mb：數(shù)據(jù)幀加載過程中最大的內(nèi)存消耗增長

注意，當我們使用有效壓縮的二進制數(shù)據(jù)格式(例如Parquet)時，最后兩個指標變得非常重要。它們可以幫助我們估算加載串行化數(shù)據(jù)所需的RAM數(shù)量，以及數(shù)據(jù)大小本身。我們將在下一部分中更詳細地討論這個問題。

對比

現(xiàn)在開始對前文介紹的5種數(shù)據(jù)格式進行比較，為了更好地控制序列化的數(shù)據(jù)結(jié)構(gòu)和屬性我們將使用自己生成的數(shù)據(jù)集。 下面是生成測試數(shù)據(jù)的代碼，我們隨機生成具有數(shù)字和分類特征的數(shù)據(jù)集。數(shù)值特征取自標準正態(tài)分布。分類特征以基數(shù)為C的uuid4隨機字符串生成，其中2 <= C <= max_cat_size。

defgenerate_dataset(n_rows,num_count,cat_count,max_nan=0.1,max_cat_size=100): dataset,types={},{} defgenerate_categories(): fromuuidimportuuid4 category_size=np.random.randint(2,max_cat_size) return[str(uuid4())for_inrange(category_size)] forcolinrange(num_count): name=f'n{col}' values=np.random.normal(0,1,n_rows) nan_cnt=np.random.randint(1,int(max_nan*n_rows)) index=np.random.choice(n_rows,nan_cnt,replace=False) values[index]=np.nan dataset[name]=values types[name]='float32' forcolinrange(cat_count): name=f'c{col}' cats=generate_categories() values=np.array(np.random.choice(cats,n_rows,replace=True),dtype=object) nan_cnt=np.random.randint(1,int(max_nan*n_rows)) index=np.random.choice(n_rows,nan_cnt,replace=False) values[index]=np.nan dataset[name]=values types[name]='object' returnpd.DataFrame(dataset),types 現(xiàn)在我們以CSV文件保存和加載的性能作為基準。將五個隨機生成的具有百萬個觀測值的數(shù)據(jù)集轉(zhuǎn)儲到CSV中，然后讀回內(nèi)存以獲取平均指標。并且針對具有相同行數(shù)的20個隨機生成的數(shù)據(jù)集測試了每種二進制格式。 同時使用兩種方法進行對比：

1.將生成的分類變量保留為字符串

2.在執(zhí)行任何I/O之前將其轉(zhuǎn)換為pandas.Categorical數(shù)據(jù)類型

1.以字符串作為分類特征

下圖顯示了每種數(shù)據(jù)格式的平均I/O時間。這里有趣的發(fā)現(xiàn)是hdf的加載速度比csv更低，而其他二進制格式的性能明顯更好，而feather和parquet則表現(xiàn)的非常好。

保存數(shù)據(jù)并從磁盤讀取數(shù)據(jù)時的內(nèi)存消耗如何？下一張圖片向我們展示了hdf的性能再次不那么好。但可以肯定的是，csv不需要太多額外的內(nèi)存來保存/加載純文本字符串，而feather和parquet則非常接近。

最后，讓我們看一下文件大小的對比。這次parquet顯示出非常好的結(jié)果，考慮到這種格式是為有效存儲大量數(shù)據(jù)而開發(fā)的，也是理所當然。

2. 對特征進行轉(zhuǎn)換

在上一節(jié)中，我們沒有嘗試有效地存儲分類特征，而是使用純字符串，接下來我們使用專用的pandas.Categorical類型再次進行比較。

從上圖可以看到，與純文本csv相比，所有二進制格式都可以顯示其真強大功能，效率遠超過csv，因此我們將其刪除以更清楚地看到各種二進制格式之間的差異。

可以看到feather和pickle擁有最快的I/O速度，接下來該比較數(shù)據(jù)加載過程中的內(nèi)存消耗了。下面的條形圖顯示了我們之前提到的有關(guān)parquet格式的情況。

為什么parquet內(nèi)存消耗這么高？因為只要在磁盤上占用一點空間，就需要額外的資源才能將數(shù)據(jù)解壓縮回數(shù)據(jù)幀。即使文件在持久性存儲磁盤上需要適度的容量，也可能無法將其加載到內(nèi)存中。 最后我們看下不同格式的文件大小比較。所有格式都顯示出良好的效果，除了hdf仍然需要比其他格式更多的空間。

結(jié)論

正如我們的上面的測試結(jié)果所示，feather格式似乎是在多個Jupyter之間存儲數(shù)據(jù)的理想選擇。它顯示出很高的I/O速度，不占用磁盤上過多的內(nèi)存，并且在裝回RAM時不需要任何拆包。

當然這種比較并不意味著我們應(yīng)該在每種情況下都使用這種格式。例如，不希望將feather格式用作長期文件存儲。此外，當其他格式發(fā)揮最佳效果時，它并未考慮所有可能的情況。所以我們也需要根據(jù)具體情況進行選擇！

責任編輯：lq