参考：
《大数据存储技巧，快出csv文件10000倍！》
《FAST Reading w/ Pickle, Feather, Parquet, Jay》
一、引言
在遇到大数据时，不同数据处理工具包的优劣，
是否拥有丰富的数据处理函数；
是否读取数据够快；
是否需要额外设备（例如GPU）的支持等等。
但无论这些工具包处理数据的时间多快，在碰到例如10G以上的数据时，都还是会耗费一些时间的，快的可能几十秒，慢的可能几十分钟，然后再进行一些特征抽取等等，快的话也得几十分钟，而此时，为了节省时间消耗，我们就需要将这些中间结果线存储到磁盘上面，而不同格式的存储，带来的差别是巨大的，比如：
存储一个大的文件，存成csv格式需要10G，但是存成其它格式可能就只需要2G；
存成csv文件读取需要20分钟，存成其它格式读取只需要10秒。
存储格式的选择也会节省海量的时间，那么究竟选用何种存储方式呢？本文我们就对比下面几大流行的存储格式。
csv
feather
hdf5
jay
parquet
pickle
二、数据存储格式对比
01 csv
csv格式是使用最多的一个存储格式，但是其存储和读取的速度会略慢。
02 feather
feather是一种可移植的文件格式，用于存储Arrow表或数据帧（来自Python或R等语言），它在内部使用Arrow-IPC格式。Feather是在Arrow项目早期创建的，作为Python（pandas）和R的快速、语言无关的数据帧存储的概念证明。
feather可以显著提高了数据集的读取速度
03 hdf5
hdf5设计用于快速I/O处理和存储，它是一个高性能的数据管理套件，可以用于存储、管理和处理大型复杂数据。
04 jay
Datatable使用.jay（二进制）格式，这使得读取数据集的速度非常快。
05 parquet
在Hadoop生态系统中，parquet被广泛用作表格数据集的主要文件格式，Parquet使Hadoop生态系统中的任何项目都可以使用压缩的、高效的列数据表示的优势。现在parquet与Spark一起广泛使用。这些年来，它变得更容易获得和更有效，也得到了pandas的支持。
06 pickle
pickle模块实现二进制协议，用于序列化和反序列化Python对象结构。Python对象可以以pickle文件的形式存储，pandas可以直接读取pickle文件。注意，
pickle模块不安全。最好只unpickle你信任的数据。
三、存储代码（从csv文件转换成其他格式存储）
01 源数据
You may find the train data in all this formats in this dataset: https://www.kaggle.com/pedrocouto39/jane-street-market-train-data-best-formats
# datatable installation with internet
!pip install datatable==0.11.0 > /dev/null
import numpy as np
import pandas as pd
import datatable as dt
import os
for dirname, _, filenames in os.walk('/kaggle/input'):
for filename in filenames:
print(os.path.join(dirname, filename))
# You can write up to 20GB to the current directory (/kaggle/working/) that gets preserved as output when you create a version using "Save & Run All"
# You can also write temporary files to /kaggle/temp/, but they won't be saved outside of the current session
02 获取数据后转换成其他格式
The formats that will be created are:
Pickle - great for object serialization and though it has a slower performance when comparing with other formats, it may work for our porpuse.Feather - is a fast, lightweight, and easy-to-use binary file format for storing data frames.Parquet - compared to a traditional approach where data is stored in row-oriented approach, parquet is more efficient in terms of storage and performance.Jay - also a binary format, that means it is fast, lightweight, and easy-to-use binary file format for storing data frames.
train = pd.read_csv("../input/jane-street-market-prediction/train.csv")
# writing dataset as pickle
train.to_pickle("jane_street_train.pkl.gzip")
# writing dataset as feather
train.to_feather("jane_street_train.feather")
# writing dataset as parquet
train.to_parquet("jane_street_train.parquet")
# writing dataset as jay
dt.Frame(train).to_jay("jane_street_train.jay")
# writing dataset as hdf5
train.to_hdf("jane_street_train.h5", "jane_street_train")
四、读取及代码
同时统计的wall time(即墙上时钟)【使用time.time()】及统计cpu时间【使用time.clock()】。【参见《python time包中的time.time()和time.clock()区别和使用》】
01 Pickle
#time
t0=time.time()
t1=time.clock()
train_pickle = pd.read_pickle("./jane_street_train.pkl.gzip")
t2=time.time()
t3=time.clock()
print("cpu time:",t3-t1)
print("wall time:",t2-t0)
train_pickle.info()
RangeIndex: 2390491 entries, 0 to 2390490
Columns: 138 entries, date to ts_id
dtypes: float64(135), int64(3)
memory usage: 2.5 GB
02 Feather
#time
t0=time.time()
t1=time.clock()
train_feather = pd.read_feather("./jane_street_train.feather")
t2=time.time()
t3=time.clock()
print("cpu time:",t3-t1)
print("wall time:",t2-t0)
train_feather.info()
RangeIndex: 2390491 entries, 0 to 2390490
Columns: 138 entries, date to ts_id
dtypes: float64(135), int64(3)
memory usage: 2.5 GB
03 Parquet
#time
t0=time.time()
t1=time.clock()
train_parquet = pd.read_parquet("./jane_street_train.parquet")
t2=time.time()
t3=time.clock()
print("cpu time:",t3-t1)
print("wall time:",t2-t0)
train_parquet.info()
RangeIndex: 2390491 entries, 0 to 2390490
Columns: 138 entries, date to ts_id
dtypes: float64(135), int64(3)
memory usage: 2.5 GB
04 Jay
#time
t0=time.time()
t1=time.clock()
train_jay = dt.fread("./jane_street_train.jay")
t2=time.time()
t3=time.clock()
print("cpu time:",t3-t1)
print("wall time:",t2-t0)
train_jay.shape
(2390491, 138)
05 结论
csv的文件存储，在读取的时候是最为消耗时间的；如果数据大的话不建议存储为csv形式；
jay文件是读取最快的，相较于其他的快了几百倍，比csv则快了千万倍；
feather，hdf5，parquet和pickle也都很快，比csv文件的读取快10倍不止。