python - Parquet 文件的大小是否大于字符串数据中的 csv？

Question

我有一个大小等于 170kB 的 csv，当我将它们转换为 parquet 文件时，大小为 1.2MB。数据结构为 12 列字符串。

import pandas as pd
import pyarrow as pa
import pyarrow.parquet as pq

csv_filename = "../files/test.csv"
parquet_filename = '../files/sample.parquet'
chunksize = 1
pqwriter = None
for i, df in enumerate(pd.read_csv(csv_filename, delimiter='_;_', chunksize=chunksize)):
    #df = df.astype(str)
    table = pa.Table.from_pandas(df=df)
    # for the first chunk of records
    if i == 0:
        # create a parquet write object giving it an output file
        pqwriter = pq.ParquetWriter(parquet_filename, table.schema, compression='gzip', use_dictionary=False)
    pqwriter.write_table(table)

# close the parquet writer
if pqwriter:
    pqwriter.close()

df = pd.read_parquet(parquet_filename)
print(df.memory_usage(deep=True))

更新 1:我尝试使用 fastparquet，大小为 933kB。

for i, df in enumerate(pd.read_csv(csv_filename, delimiter='_;_', chunksize=chunksize)):
    fastparquet.write(parquet_filename, df, compression='gzip', append=True)

更新 2:参数 chunksize 对文件大小有影响。如果较大，则尺寸减小。使用等于 30 的 chunksize，大小为 76kB。

Answer 1

这主要归结为使用极小的 block 大小，从而禁用 Parquet 格式的柱状性质(以及所有优点)。 Parquet 文件中的 block 是强制中断，不会对两个 block 应用优化。

鉴于 170KB 对于 Parquet 来说是一个非常小的尺寸，您根本不应该分块。通常合理的 block 大小是您的数据产生大小为 128MiB 的 block ，在某些情况下更小的 block 是有意义的，但对于大多数用例来说，一个或多个 128MiB 大小的 block 是正确的选择。

在 block 内，Parquet 应用各种压缩和编码技术来高效地(CPU 和大小效率)逐列存储数据。这些技术可以处理的数据越多，就越有效。将 block 大小设置为单个数字值会消除这些好处，但也会增加文件本身的开销，因为 Parquet 还存储标题和一些元数据，例如每个列 block 的列统计信息。使用 chunk_size=1，这意味着每一行将在文件中存储 3-4 次，甚至不考虑额外的元数据 header 。