在熊貓hdf5中保存數據時的寬格式與長格式

Question

大熊貓數據框通常以長（很多行）或寬（很多列）格式表示。

我想知道哪種格式保存為hdf文件（ df.to_hdf ）時讀取速度更快，占用的內存更少。

是否有一般規則或某些情況下應首選一種格式？

Answer 1

最好使用IMO長格式，因為元數據開銷（有關列名，dtype等的信息）要少得多。

就內存使用而言，它們將大致相同：

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