python - 箭头文件大小与 csv 相同吗？

Question

我正在尝试将数据帧保存为 .arrow 格式，主要是为了获得比 CSV 更好的大小，以便将该文件用于 vega-lite

我正在使用Python

import pandas
import pyarrow as pa
csv="C:/Users/mimoune.djouallah/data.csv"
arrow ="C:/Users/mimoune.djouallah/file.arrow"
dataset = pandas.read_csv(csv)

table = pa.Table.from_pandas(dataset)
writer = pa.RecordBatchFileWriter(arrow, table.schema)
writer.write(table)
writer.close()

我原本期望箭头文件小于 csv，但现在箭头稍大

我尝试使用 parquet 导出，结果符合预期

原始 csv:4.4 MB 箭头:4.9 MB Parquet :1.6 MB PowerBI(仅供引用):1.7 MB

Answer 1

Arrow格式的目的不是优化存储大小，而是优化存储性能。与 CSV 相比，数据以二进制形式存储，以消除解析数据的开销。但由于性能至关重要，因此数据既不压缩也不编码。

如果您想高效地存储数据但数据量较小，您应该看看 Apache Parquet。数据的存储方式与 Arrow 类似，但采用了一些有效的技术来减少存储大小。