在保留数据类型的同时导出熊猫数据框的格式是什么？ 不是 CSV； Sqlite？ 镶木地板？

Question

我的工作流程通常涉及将一些数据（通常来自 CSV 文件）加载到 Pandas 数据框中，对其进行清理，定义每列的正确数据类型，然后将其导出到 SQL 服务器。

对于那些SQL 服务器不可用的情况，有什么好的替代方法可以存储已清理的数据和每列的数据类型的显式定义？

• 我测试过的唯一真正的解决方案是导出到一个 sqlite .db 文件，使用这里的答案来确保日期被读取为日期。

• Feather、HDF5、Parquet 怎么样？ Pandas支持它们，但我对这些格式知之甚少。 我读过feather不建议长期存储（因为API可能会变？不清楚）

• 我不确定是否使用 pickle：我知道它不是一种安全格式，而且 API 不断变化并破坏向后兼容性

• CSV 并不是一个真正的选择，因为推断我的数据的数据类型通常是一场噩梦； 将数据读回熊猫时，我需要明确声明格式，包括日期格式，否则：

  • pandas 可以创建列，其中一行是 dd-mm-yyyy，另一行是 mm-dd-yyyy（请参阅此处）。 加
  • 我有很多文本列，其中前 10k 行似乎是数字，接下来的 100 行是文本，因此大多数软件会推断该列是数字，然后导入失败。 也许我需要创建一个函数来导出一个包含所有数据类型定义、日期格式等的辅助文件？ 可行但麻烦。

更新：这是一个有趣的比较，据此 HDF5 是最快的格式：https ://medium.com/@bobhaffner/gist-to-medium-test-db3d51b8ba7b

我似乎明白 HDF5 和 Parquet 之间的另一个区别是 datetime64 在 HDF5 中没有直接等价物。 大多数人似乎将他们的日期作为 ISO 日期格式 (yyyy-mm-dd) 字符串存储在 HDF5 中。

Answer 1

如果您的数据是二维表并且用于像 Apache Spark 这样的大数据处理，请使用 parquet。 HDF5 不适合处理您提到的日期/时间。

如果您的数据有 3 个或更多维度，HDF5 将是一个不错的选择——尤其是在长期归档、可移植性和共享方面。

如果性能很重要，Apache Feather 是最快的。

Answer 2

如果您真的想避免泡菜并保存 CSV（我不完全同意您关于那些不可行选项的陈述），那么您可以运行本地数据库服务器来保存数据并在SQL 服务器再次可用。 除此以外：

使用DataFrame对象的to_pickle方法。

或者，使用您的数据类型保存数据类型 json 文件，并在保存 CSV 时指定日期格式：

# export
import json
data_types = df.dtypes.astype(str).to_dict()
with open('data_type_key.json', 'w') as f
    json.dump(data_types, f)
df.to_csv('data.csv', date_format='%Y%m%d')

# import
data_types = json.loads('data_type_key.json')
data_frame = pd.read_csv(your_csv_path, dtype=data_types)