~/questoes/dados
Parquet é um formato de armazenamento colunares que permite ler apenas as colunas necessárias, oferece compressão eficiente e preserva automaticamente os tipos de dados. Em Data Lakes, essas características economizam memória, banda passante e evitam erros de conversão de tipo.
Parquet destaca-se porque permite leitura seletiva de colunas (sem descompactar tudo), oferece compressão muito mais eficiente que CSV e mantém os tipos de dados nativamente, características essenciais quando você trabalha com volumes grandes de dados em um Data Lake.
Inverteu os benefícios: é o Parquet que oferece melhor compressão e leitura de colunas específicas, não o CSV. CSV armazena dados linha por linha e requer decompressão completa para análises.
Contrário ao que ocorre na prática. Parquet tem suporte robusto em Python (bibliotecas PyArrow, Pandas) e DuckDB integra nativamente. A simplicidade do CSV não compensa as limitações de performance e flexibilidade em Data Lakes.
Resposta correta. Parquet permite ler colunas específicas sem carregar tudo na memória, comprime dados de forma inteligente por coluna e preserva tipos nativamente. Esses três fatores são críticos para eficiência em Data Lakes.
Generalização incorreta. Parquet funciona muito bem com dados semi-estruturados e até não-estruturados dentro de Data Lakes. CSV não é necessariamente melhor para esses casos; na verdade, Parquet oferece vantagens em qualquer volume de dados.