Python数据持久化

### Python 中的数据持久化 #### 文件操作与基本数据保存 Python 提供了多种方式来实现数据的持久化存储。最基础的方法之一是利用内置函数 `open()` 来读写文件，可以将简单的字符串或结构化的对象序列化成文本形式并存入磁盘中[^2]。 对于更加复杂的数据结构如列表、字典等，则可以通过模块`json`来进行JSON格式编码解码工作；而对于二进制大对象则更适合采用`pickle`库完成序列化进程。需要注意的是，在使用`pickle`时要考虑到安全性问题，因为反序列化不受信任的数据可能存在风险[^3]。 ```python import json data = {"name": "Alice", "age": 25} with open('data.json', 'w') as f: json.dump(data, f) # 加载 JSON 数据 with open('data.json', 'r') as f: loaded_data = json.load(f) print(loaded_data) ``` #### 使用数据库进行高级持久化 当应用程序规模增大到一定程度之后，单纯依靠文件系统已经无法满足需求。此时可以选择关系型数据库（RDBMS），例如SQLite、MySQL 或 PostgreSQL 等工具配合SQLAlchemy ORM框架构建应用层面上的对象映射机制，从而简化对表记录的操作过程[^1]。 另外还有非关系型NoSQL解决方案MongoDB可供选择，尤其适用于处理海量异构数据集以及高并发场景下的快速查询请求响应。 ```sql -- 创建 SQLite 表格 CREATE TABLE users ( id INTEGER PRIMARY KEY, name TEXT NOT NULL, age INT CHECK(age >= 0 AND age <= 120), email TEXT UNIQUE ); INSERT INTO users (name, age, email) VALUES ('Bob', 30, '[email protected]'); SELECT * FROM users; ``` #### 模型训练成果的持久化 在机器学习领域内，经过长时间迭代优化得到的理想参数组合往往需要被妥善保管起来以便后续部署上线或是重复实验验证效果好坏。Scikit-Learn 库提供了便捷的方式——借助第三方扩展包`joblib`能够高效地把整个分类器实例连同其内部状态一同冻结下来形成`.pkl`类型的压缩文档，方便以后随时恢复调用而无需重新计算成本高昂的过程。 ```python from sklearn.externals import joblib classifer = RandomForestClassifier() model = classifer.fit(features, target) joblib.dump(model, "random_forest_model.pkl") # 后续加载已训练好的模型继续预测新的样本点类别归属情况 restored_classifier = joblib.load("random_forest_model.pkl") predictions = restored_classifier.predict([[5.9, 3., 5.1, 1.8]]) ```