除了 to_pickle 之外，序列化 DataFrame 的最快方法是什么？

Question

我需要序列化 ​​DataFrame 并通过网络发送它们。出于安全原因，我不能使用 pickle。

下一个最快的方法是什么？我对 v0.13 中的 msgpacks 很感兴趣，但除非我做错了什么，否则性能似乎比 pickle 差得多。

In [107]: from pandas.io.packers import pack

In [108]: df = pd.DataFrame(np.random.rand(1000, 100))

In [109]: %timeit buf = pack(df)
100 loops, best of 3: 15.5 ms per loop

In [110]: import pickle

In [111]: %timeit buf = pickle.dumps(df)
1000 loops, best of 3: 241 µs per loop

到目前为止，我发现的最好的方法就是使用 array.tostring() 序列化同质 numpy 数组（df.as_blocks() 很方便）并从中重建 DataFrame。性能堪比泡菜。

但是，使用这种方法，我不得不将 dtype=object 的列（即任何至少有一个字符串的列）转换为完全字符串，因为 Numpy 的 fromstring() 无法反序列化 dtype=object。 Pickle 设法在对象列中保留混合类型（它似乎在 pickle 输出中包含了一些功能）。

Answer 1

现在这与这个 PR 相当有竞争力：https://github.com/pydata/pandas/pull/5498（不久将合并到 0.13）

In [1]: from pandas.io.packers import pack

In [2]: import cPickle as pkl

In [3]: df = pd.DataFrame(np.random.rand(1000, 100))

上面的例子

In [6]: %timeit buf = pack(df)
1000 loops, best of 3: 492 µs per loop

In [7]: %timeit buf = pkl.dumps(df,pkl.HIGHEST_PROTOCOL)
1000 loops, best of 3: 681 µs per loop

更大的框架

In [8]: df = pd.DataFrame(np.random.rand(100000, 100))

In [9]:  %timeit buf = pack(df)
10 loops, best of 3: 192 ms per loop

In [10]: %timeit buf = pkl.dumps(df,pkl.HIGHEST_PROTOCOL)
10 loops, best of 3: 119 ms per loop

另一种选择是使用内存中的 hdf 文件

请看这里：http://pytables.github.io/cookbook/inmemory_hdf5_files.html; pandas 尚不支持添加驱动程序 arg（可以通过很简单的猴子补丁来完成）。

另一种可能是ctable，请参阅https://github.com/FrancescAlted/carray。不过 pandas ATM 尚不支持。