Какие знаешь преимущества колоночной модели хранения данных

Колоночная модель хранения данных (columnar storage) имеет несколько ключевых преимуществ перед традиционной строчной (row-based) моделью:

1. Эффективность сжатия – данные в колонках часто однотипны, что позволяет применять эффективные алгоритмы сжатия (RLE, Delta Encoding и др.).
2. Ускорение аналитических запросов – при агрегациях и сканировании только нужных колонок не требуется читать всю строку.
3. Лучшая производительность для OLAP – оптимизирована для операций чтения, а не записи.
4. Оптимизация под векторные операции – современные CPU эффективно обрабатывают колоночные данные через SIMD-инструкции.

Пример (на примере Pandas):

# Строчное хранение (обычный DataFrame)
df = pd.DataFrame({'A': [1, 2], 'B': ['x', 'y']})

# Колоночное хранение (Parquet)
df.to_parquet('data.parquet')  # Каждая колонка сжимается отдельно

Популярные реализации: Apache Parquet, ORC, ClickHouse. Подходит для аналитики, но не для OLTP-систем с частыми записями.