【机器学习】数据格式csv/txt/pkl

序言

• 用什么格式存储场景挖掘得到的数据
• 目前为止用到过的一些数据存储格式，如proto/xml/json/txt/csv等，还有pkl，哪种比较适合数据集存储呢

1. 数据存成csv、txt还是pkl

• csv和txt都是文本文件，pkl是二进制文件

  • csv

    • 数据量小的话，推荐将数据存成csv，以逗号分隔的文本文件，可直接更改后缀为其他文件
    • csv可在其他语言如python/matlab/R/excel中自由切换，数据格式不受损

  • txt

    • txt的优势是体积小，便于存储，一般以空格为分隔符

  • pkl

    • 如果数据量大、内存吃紧，而且访问的时候要按照batch访问硬盘，读取效率最高的是pkl
    • pkl还能直接保存成tensor，节省了读取后转成tensor的时间，避免了数据二次处理

  • 当然还有其他的一些格式npy等

• 读取效率排序：pkl > npy > csv

2. pandas怎么读取csv、txt文件或者pkl文件

• pandas是数据处理必不可少的库

  • 读取csv：常用的两个函数：pandas.read_csv 和 pandas.to_csv

    data=pd.read_csv('./mydata.csv')		# 读取csv格式文件
    data.to_csv('./my_new_data.csv')		# 生成csv格式文件
    

  • 读取txt：pandas在读取txt时，read_csv和read_table均可使用

    data =  pd.read_table("./mydatat.txt")				# 调用read_table函数读取txt文件
    df =  pd.read_csv("./my_new_data.txt"，sep=',')		# 调用read_csv函数读取txt文件
    

  • 读取pkl：

    data.to_pickle(filePath)		# pandas, 文件保存
    data.read_pickle(filePath)		# pandas, 文件读取
    
    import pickle
    
    with open(filePath, 'wb') as f:
    	pickle.dump(data, f)		# pickle模块，文件保存
    
    with open(filePath, 'rb') as f:
    	data = pickle.load(fp)		# pickle模块，文件读取
    

3. 数据格式：pkl文件补充介绍

• pkl是指使用pyhton的pickle模块生成的二进制文件，用于将对象序列化到磁盘上，可以存储为.pkl文件。即pkl能提供一种简单有效的方法来序列化或者反序列化python对象，使其易于存储传输和共享

• pkl可以将python项目中过程变量如字符串、列表、字典等数据保存起来，pkl甚至能保存模型，下次接着训练

• pkl转csv

  import pickle as pkl
  import pandas as pd
   
  with open(r'data.pkl', "rb") as f:
  	object = pkl.load(f,encoding='latin1')
  df = pd.DataFrame(object)
   
  df.to_csv(r'Data.csv')
  
  object =pkl.load(f,encoding='latin1')
  

  容易在encoding处报错，可以根据实际pkl的编码规则更改为encoding=‘utf-8’

---

【参考文章】
数据保存成csv/txt/pkl文件
pkl文件介绍
保存和读取pkl文件
pkl格式文件
读取生成csv/txt

created by shuaixio, 2023.10.03