Question

我正在尝试从大约1 GB的HDFStore表中选择随机行。当我要求大约50个随机行时，RAM的使用会爆炸。

我正在使用pandas 0-11-dev, python 2.7, linux64。

在第一种情况下，RAM使用符合chunk

的大小

with pd.get_store("train.h5",'r') as train:
for chunk in train.select('train',chunksize=50):
    pass

在第二种情况下，似乎整个表都被加载到RAM

中

r=random.choice(400000,size=40,replace=False)
train.select('train',pd.Term("index",r))

在最后一种情况下，RAM使用量等同于chunk大小

r=random.choice(400000,size=30,replace=False)    
train.select('train',pd.Term("index",r))

我感到困惑，为什么从30行随机移动到40行会导致RAM使用率大幅增加。

请注意，在使用以下代码创建索引= range（nrows（table））时，表已被编入索引：

def txtfile2hdfstore(infile, storefile, table_name, sep="\t", header=0, chunksize=50000 ):
    max_len, dtypes0 = txtfile2dtypes(infile, sep, header, chunksize)

    with pd.get_store( storefile,'w') as store:
        for i, chunk in enumerate(pd.read_table(infile,header=header,sep=sep,chunksize=chunksize, dtype=dict(dtypes0))):
            chunk.index= range( chunksize*(i), chunksize*(i+1))[:chunk.shape[0]]
            store.append(table_name,chunk, min_itemsize={'values':max_len})

感谢您的见解

编辑回答Zelazny7

这是我用来编写Train.csv到train.h5的文件。我使用来自How to trouble-shoot HDFStore Exception: cannot find the correct atom type

的Zelazny7代码的元素编写了这个

import pandas as pd
import numpy as np
from sklearn.feature_extraction import DictVectorizer


def object_max_len(x):
    if x.dtype != 'object':
        return
    else:
        return len(max(x.fillna(''), key=lambda x: len(str(x))))

def txtfile2dtypes(infile, sep="\t", header=0, chunksize=50000 ):
    max_len = pd.read_table(infile,header=header, sep=sep,nrows=5).apply( object_max_len).max()
    dtypes0 = pd.read_table(infile,header=header, sep=sep,nrows=5).dtypes

    for chunk in pd.read_table(infile,header=header, sep=sep, chunksize=chunksize):
        max_len = max((pd.DataFrame(chunk.apply( object_max_len)).max(),max_len))
        for i,k in enumerate(zip( dtypes0[:], chunk.dtypes)):
            if (k[0] != k[1]) and (k[1] == 'object'):
                dtypes0[i] = k[1]
    #as of pandas-0.11 nan requires a float64 dtype
    dtypes0.values[dtypes0 == np.int64] = np.dtype('float64')
    return max_len, dtypes0


def txtfile2hdfstore(infile, storefile, table_name, sep="\t", header=0, chunksize=50000 ):
    max_len, dtypes0 = txtfile2dtypes(infile, sep, header, chunksize)

    with pd.get_store( storefile,'w') as store:
        for i, chunk in enumerate(pd.read_table(infile,header=header,sep=sep,chunksize=chunksize, dtype=dict(dtypes0))):
            chunk.index= range( chunksize*(i), chunksize*(i+1))[:chunk.shape[0]]
            store.append(table_name,chunk, min_itemsize={'values':max_len})

应用为

txtfile2hdfstore('Train.csv','train.h5','train',sep=',')

Answer 1

这是一个已知问题，请参阅此处的参考：https://github.com/pydata/pandas/pull/2755

基本上，查询将转换为numexpr表达式以进行评估。有一个问题我无法将大量or条件传递给numexpr（它取决于...的总长度）生成表达式）。

所以我只是限制了传递给numexpr的表达式。如果它超过一定数量的or条件，那么查询将作为过滤器完成，而不是内核内选择。基本上这意味着读取表然后重新编制索引。

这是在我的增强列表中：https://github.com/pydata/pandas/issues/2391（17）。

作为一种解决方法，只需将查询拆分为多个查询并将结果连接起来即可。应该快得多，并使用恒定的内存量

HDFStore：table.select和RAM使用情况

1 个答案: