python 数据保存格式的选择

今天发现一个问题，就是有一个数据，很长，几百个被试的fmri数据，有10M+行，使用pandas.to_csv占用的时间特别长，写了20分钟还没写完。于是上网寻找更快的数据保存方式。

1. HDF5
   网上首推的是h5为后缀的格式，这个是fmriprep使用的格式。这个的好处在于，对于很长不宽的数据（很多行，列不多），10M+，写入的速度是to_csv的二十几倍。坏处在于需要读取后进一步转换成data.frame和csv，并且保存为h5的数据size会变大，其利用磁盘空间代替来提升速度。推荐使用的场景是大数据（1G+）的长数据。

stage.to_hdf(r'path/file.h5', key='stage', mode='w')

2. tsv和csv
   tsv和csv的速度差不多，两者差不多，区别在于tsv能解决数据中字符串带有逗号（‘，’）的问题，因为csv是基于逗号分隔，会额外分割数据。
3. csv和txt
   两者速度差不太多。
4. 优化csv - pyarrow
   pyarrow 能优化to csv的速度，大概是快8x

import pyarrow as pa
import pyarrow.csv as csv
df = pandas.DataFrame(xxxxxx)
new_df = pa.Table.from_pandas(df)
new_df_name = 'Downloads/data/results'
csv.write_csv(new_df, new_df_name) # 不需要加其他参数，自动带header 和没有index

最后还是强烈推荐使用 pyarrow。