同じファイルがExcelファイルよりもテキストファイルで多くのスペースを必要とするのはなぜですか？

約100000行のデータがあります。このデータをテキストファイル形式で保存すると、Excelファイル形式で保存する場合よりも多くのスペースが必要になります。何故ですか？

xlsxフォーマット現代のExcelで使用さは、実際には圧縮形式です。これは、特定の構造のテキスト（XML）ファイルを含むZIPアーカイブです。

同様のZIP圧縮ツールでプレーンテキストファイルを圧縮する場合、同様のファイルサイズを実現する必要があります。

さらに、Bradley UffnerとMorgenがコメントで述べたように、Excelは同一の文字列を重複排除し、それらのコピーを1つだけ保存します。そのような方法の正確な利点についてはわかりませんが、それはあなたのデータセットに依存しますが、単純なzip圧縮はおそらくあなたにその方法のほとんどをもたらすでしょう。¹

9.1.3物理パッケージ

各Office Open XMLドキュメントは、ZIPアーカイブとして実装されます。

— ECMA-376-1：2016

¹私の推測では、zip圧縮はアーカイブ内の各ファイルに個別に適用され、データの限られたセクションに対してのみ-単一のファイルにすべての文字列を一緒に保存するため、複数のワークシートがある場合にこの重複排除が最も効果的だと思います後の圧縮の利点になるはずです。より現実的には、プレーンテキスト形式が単一のファイルに含まれている場合、おそらくほとんど違いはありません。

与えられた答えは正しいです。Excelがデータをxmlとして保存しているためです。また、これは、データを効率的に並べ替えることでファイルサイズが小さくなることも原因です。自分でテストします-次のようなデータがあると言います

A            B                              C
John         Smith-Johnson-Williamson       12345
Sally        Smith-Johnson-Williamson       67890
John         Williams                       34567

C（すべてまたはほとんどすべての一意の値を持つ列）のみでソートする場合、Bの同一の値は隣接しません。Excelのxmlでは、次のようになります。

<12345><John><Smith-Johnson-Williamson>
<34567><John><Williams>
<67890><Sally><Smith-Johnson-Williamson>

B（共通の値を持つ列）でソートすると、同じ値が隣接します。Excelのxmlでは、次のようになります。

<Smith-Johnson-Williamson><John><12345>
  <Sally><67890>
<Williams><John><34567>

その長い文字列は同一で隣接しているため、Excelはリストを作成する場合と同様に、それらを一緒にパックできることを認識し、上記の行の一部を繰り返すために、同じものを書き直すのではなく引用符を入力します。私は調査で共有文字列辞書の証拠を見つけませんでした-繰り返しフィールド値の代わりにこのインデントだけ。

私は11州のみで250,000人の顧客のメーリングリストを作成し、各レコードには、提供するオファーを識別する2つの文字列の1つであるフィールドがありました。私たちの従業員は、何らかの理由で、話されている通りの住所で人々を調べることに慣れていたため、最初に申し出を行い、次に州、郵便番号、都市、通りの名前、通りの番号、そして最後に住所行2、ファイルサイズは信じられないほど減少しました。各方法でソートされたファイルの展開されたxmlを調べて、何が起こっているかを確認しました。上記は私が推測したものです。たとえば5文字以上のフィールドが複数あるが、値が制限されている場合（たとえば、「解決済み」、「拒否済み」、「承認済み」などのチケットの性質）、

3.14159265359のような番号がある場合、これをテキストファイルに保存するには13バイトが必要です。この数値をfloatとして保存する場合、必要なのは4バイトだけです。