PyArrow 本身不压缩数据，但通过合理配置 Parquet 编码、类型精简和分块策略可将 CSV 或 Pandas 数据体积压缩至 1/5～1/10；关键在于用 Parquet 替代 CSV/Pickle，启用字典编码、snappy/zstd 压缩，收窄数据类型，并设置合适 row_group_size。
PyArrow 本身不压缩数据，但通过选择合适的 parquet 编码、类型精简和分块策略，能轻松把原始 CSV 或 Pandas DataFrame 占用空间压到 1/5～1/10。关键不在“用不用 PyArrow”，而在“怎么配”。
用 parquet 替代 csv 或 pickle 是前提
CSV 没类型、没压缩、全字符串；Pickle 有类型但不可跨语言、压缩弱、且不支持按列读取。Parquet 是列式存储，天然支持字典编码、位图压缩、页级统计——这些才是省空间的根基。
-
pyarrow.parquet.write_table()默认用snappy压缩，比gzip快很多，压缩率也够用；若追求极致体积，可换zstd（需安装pyarrow[with-zstd]） - 别直接
pa.table(df)后就写：先用cast()把冗余类型收窄——比如把int64列转成int32或int16，把长字符串列中重复值多的转成dictionary类型 - 写入时设
row_group_size=100_000（而非默认的 1M+），小 row group 更利于跳过无关数据，也提升压缩率（尤其配合字典编码）
dictionary 编码对高基数字符串无效，但对低基数极有效
PyArrow 的 dictionary 编码本质是把字符串映射为整数 ID，再对 ID 列做高效压缩。它只在值重复率高（比如国家名、状态码、分类标签）时才显著省空间；若每行都不同（如 UUID、长文本），反而多一层映射开销，体积可能更大。
- 检查重复率：
df["category"].nunique() / len(df)dictionary - 手动启用：
pa.dictionary(pa.string(), pa.int32())，然后用pa.array(..., type=...)构造列 - 自动推导？别依赖
use_dictionary=True默认行为——它只对str列试探性启用，且阈值不透明；显式 cast 更可控
避免 object 列隐式转成 string 导致膨胀
Pandas 里混合类型列（比如含 None + 数字）常被存成 object，PyArrow 读进来默认变成 string ——一个 int64 原本占 8 字节，转成字符串“1234567890”就占 10 字节，还失去数值操作能力。
立即学习“Python免费学习笔记（深入）”；
- 写入前清理：
df[col] = pd.to_numeric(df[col], errors="coerce")或df[col].astype("Int64")（Pandas nullable int） - 用
pa.Schema显式声明类型，例如pa.field("score", pa.int64(), nullable=True)，防止 PyArrow 自作聪明 - 特别注意时间列：Pandas
datetime64[ns]写 Parquet 默认存为timestamp[ns]，体积合理；但若混入 NaT 或转成字符串，就会爆炸
真正省空间的点从来不在“调用哪个函数”，而在类型定义是否精准、编码是否匹配数据分布、以及 row group 是否与查询模式对齐。一个 int8 列和一个 dictionary 字符列，可能比整个原始 CSV 还小；但加错一个 object 列，就能让文件翻倍——这种细节，跑完 benchmark 才看得见。
