Python學習筆記：高效數據格式feather（鴻毛）

一、背景

日常使用 Python 讀取數據時一般都是 json、csv、txt、xlsx 等格式，或者直接從數據庫讀取。

針對大數據量一般存儲為 csv 格式，但文件占用空間比較大，保存和加載速度也較慢。

而 feather 便是一種速度更快、更加輕量級（壓縮后）的二進制保存格式。

二、feather是什么？

Feather 是一種用於存儲數據幀的數據格式。

一句話描述：高速讀寫壓縮二進制文件。

Feather 其實是 Apache Arrow 項目中包含的一種數據格式，但是由於其優異的性能，該文件格式也被單獨打包，放在 pip 中進行安裝。

Pandas 也支持對 Feather 的讀寫操作。

最初是為了 Python 和 R 之間快速交互而設計的，初衷很簡單，就是盡可能高效地完成數據在內存中轉換的效率。

難能可貴的是，R、Julia、python 均可以解析 feather ，可以說是3種語言之間進行交互的強力工具了，讀寫速度一流。

現在 Feather 也不僅限於 Python 和 R ，基本每種主流的編程語言中都可以用 Feather 文件。

不過，它的數據格式並不是為長期存儲而設計的，僅限於一般的短期存儲。

-- 此處不好理解：長期？短期？如何界定？

-- 如果長期儲存，feather 的空間壓縮並不是最好的，可以了解下 Parquet。feather也可以長期存儲，只不過不是最優解。

三、使用方法

在 Python 中，可以通過 pandas 或 Feather 兩種方式進行操作。

但建議不要使用 pandas 自帶的 to_feather 和 read_feather 。因為版本兼容性的問題，直接使用 feather 自帶的 api 更優。

1.安裝

注意：不要直接使用 pip install feather 進行安裝，能正常顯示安裝但是讀取時會報錯 ImportError: cannot import name 'getuid' from 'os' (D:\anaconda\lib\os.py)。

# pip
pip install feather-format
# 依賴會安裝：pyarrow-5.0.0-cp38-cp38-win_amd64.whl

# conda
conda install -c conda-forgefeather-format # 測試報錯

2.測試數據集

構建一個 5 列、1000 萬行隨機數。

import feather
import pandas as pd
import numpy as np

import os
os.chdir(r'C:\Users\111\Desktop')

np.random.seed = 2021
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()
'''
          a         b         c         d         e
0  0.515694  0.879751  0.346675  0.998066  0.647965
1  0.648172  0.044250  0.546985  0.668001  0.460173
2  0.774530  0.354780  0.034965  0.259252  0.037479
3  0.843657  0.956277  0.059882  0.394459  0.088319
4  0.263218  0.409887  0.149357  0.971544  0.657425
'''

3.pandas操作方式

• 保存

可以直接利用 DataFrame.to_feather() 進行保存。使用語法為：

df.to_feather(path, compression, compression_level)
# -- path:文件路徑
# -- compression：是否壓縮以及如何壓縮，支持（zstd/uncompressde/lz4)三種方式
# -- compression_level：壓縮水平（lz4不支持該參數）

df.to_feather('data.feather')

• 加載

df = pd.read_feather('data.feather')

4.feather操作方式

原生 feather 方式與 pandas 操作方式類似，速度也差不多。

• 保存

feather.write_dataframe(df, 'data2.feather')

• 加載

df = feather.read_dataframe('data2.feather')

5.csv VS feather

• 寫入速度對比

# 導入時間模塊
import time

# 1.傳統csv方式
start = time.time()
df.to_csv('data_csv.csv')
end = time.time()
print('CSV Running time: %s Seconds' % (end-start))

# 2.原生feather
start = time.time()
feather.write_dataframe(df, 'data_feather_ys.feather')
end = time.time()
print('YS-feather Running time: %s Seconds' % (end-start))

# 3.pandas-feather
start = time.time()
df.to_feather('data_feather_pd.feather')
end = time.time()
print('Pd-feather Running time: %s Seconds' % (end-start))
'''
CSV Running time: 93.85435080528259 Seconds
YS-feather Running time: 0.3590412139892578 Seconds
Pd-feather Running time: 4.7694432735443115 Seconds
'''

• 讀取速度對比

# 導入時間模塊
import time

# 1.傳統csv方式
start = time.time()
df1 = pd.read_csv('data_csv.csv')
end = time.time()
print('CSV Running time: %s Seconds' % (end-start))

# 2.原生feather
start = time.time()
df2 = feather.read_dataframe('data_feather_ys.feather')
end = time.time()
print('YS-feather Running time: %s Seconds' % (end-start))

# 3.pandas-feather
start = time.time()
df3 = pd.read_feather('data_feather_pd.feather')
end = time.time()
print('Pd-feather Running time: %s Seconds' % (end-start))

'''
CSV Running time: 11.32979965209961 Seconds
YS-feather Running time: 0.34105563163757324 Seconds
Pd-feather Running time: 0.45678043365478516 Seconds
'''

• 文件大小對比

# 肉眼對比
data_csv.csv             -- 0.97G
data_feather_ys.feather  -- 381M
data_feather_pd.feather  -- 381M

# 利用os獲取文件大小（單位：MB）
import os
def get_FileSize(filePath):
    filePath = str(filePath)
    fsize = os.path.getsize(filePath)
    fsize = fsize / float(1024 * 1024)
    return round(fsize, 2)

print(get_FileSize('data_feather_ys.feather'))
print(get_FileSize('data_feather_pd.feather'))
print(get_FileSize('data_csv.csv'))
381.57 MB
381.57 MB
1003.63 MB

# 計算壓縮率
standart_ratio = os.stat('data_feather_ys.feather').st_size / os.stat('data_csv.csv').st_size
print(f'Standart feather compression ratio is {standart_ratio*100 :.1f}%')
# Standart feather compression ratio is 38.0%

四、總結

Feather 相比 csv 格式擁有明顯的性能提升。

• 適合中型數據（GB為單位的數據），比如4GB的csv文件，可能只占用700M的feather文件空間
• 讀寫速度遠勝csv，而且相比較於數據庫又具有便攜的優勢，可以作為很好的中間媒介來傳輸數據
• 類似於csv，feather也支持從源文件中僅讀取所需要的列，可以減少內存的使用

df = pd.read_feather(path='data.feather', columns=["a","b","c"])

Parquet 是一種追求更多的壓縮空間的數據格式，也可以考慮替代 csv 格式。

參考鏈接：再見 CSV，速度提升 150 倍！

參考鏈接python讀feather格式文件

參考鏈接：feather——高性能的python數據讀寫

參考鏈接：輕如“鴻毛（Feather）”的文件格式卻重於泰山