Колоночная модель хранения данных (columnar storage) имеет несколько ключевых преимуществ перед традиционной строчной (row-based) моделью: - **Эффективность сжатия** – данные в колонках часто однотипны, что позволяет применять эффективные алгоритмы сжатия (RLE, Delta Encoding и др.). - **Ускорение аналитических запросов** – при агрегациях и сканировании только нужных колонок не требуется читать всю строку. - **Лучшая производительность для OLAP** – оптимизирована для операций чтения, а не записи. - **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.