pandas - 在pandas hdf5中保存数据时的宽格式与长格式

Question

pandas 数据框通常以长(很多行)或宽(很多列)格式表示。

我想知道哪种格式在保存为 hdf 文件( df.to_hdf )时读取速度更快并且占用内存更少。

是否有一般规则或某些情况下应该首选其中一种格式？

Answer 1

IMO 长格式更可取，因为您将拥有更少的元数据开销(有关列名、dtypes 等的信息)。

在内存使用方面，它们或多或少是相同的:

In [22]: long = pd.DataFrame(np.random.randint(0, 10**6, (10**4, 4)))

In [23]: wide = pd.DataFrame(np.random.randint(0, 10**6, (4, 10**4)))

In [24]: long.shape
Out[24]: (10000, 4)

In [25]: wide.shape
Out[25]: (4, 10000)

In [26]: sys.getsizeof(long)
Out[26]: 160104

In [27]: sys.getsizeof(wide)
Out[27]: 160104

In [28]: wide.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4 entries, 0 to 3
Columns: 10000 entries, 0 to 9999
dtypes: int32(10000)
memory usage: 156.3 KB

In [29]: long.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 10000 entries, 0 to 9999
Data columns (total 4 columns):
0    10000 non-null int32
1    10000 non-null int32
2    10000 non-null int32
3    10000 non-null int32
dtypes: int32(4)
memory usage: 156.3 KB