准备数据：

import string
import random
import pandas as pd

matrix = np.random.random((100, 3000))
my_cols = [random.choice(string.ascii_uppercase) for x in range(matrix.shape[1])]
mydf = pd.DataFrame(matrix, columns=my_cols)
mydf['something'] = 'hello_world'

设置HDF5可能的最高压缩：

store = pd.HDFStore('myfile.h5',complevel=9, complib='bzip2')
store['mydf'] = mydf
store.close()

另外还保存为CSV：

mydf.to_csv('myfile.csv', sep=':')

结果是：

myfile.csv是5.6 MB大
myfile.h5是11 MB大

随着数据集变大，差异会越来越大。

我尝试过其他压缩方法和级别。这是一个错误吗？（我正在使用Pandas 0.11和HDF5和Python的最新稳定版本。）

Answer 1

我的回答来自问题：https://github.com/pydata/pandas/issues/3651

你的样本真的太小了。 HDF5具有相当大的开销，而且尺寸非常小（即使是较小的300k条目也是如此）。以下是任何一方都没有压缩。浮点数实际上更有效地用二进制表示（作为文本表示）。

此外，HDF5是基于行的。通过使表不是太宽但是相当长的表，你可以获得很高的效率。（因此你的例子在HDF5中效率不高，在这种情况下将其存储转换）

我通常拥有10M +行的表，查询时间可以在ms中。即使是下面的例子也很小。拥有10 + GB文件是很常见的（更不用说10GB +几秒钟的天文学家了！）

-rw-rw-r--  1 jreback users 203200986 May 19 20:58 test.csv
-rw-rw-r--  1 jreback users  88007312 May 19 20:59 test.h5

In [1]: df = DataFrame(randn(1000000,10))

In [9]: df
Out[9]: 
<class 'pandas.core.frame.DataFrame'>
Int64Index: 1000000 entries, 0 to 999999
Data columns (total 10 columns):
0    1000000  non-null values
1    1000000  non-null values
2    1000000  non-null values
3    1000000  non-null values
4    1000000  non-null values
5    1000000  non-null values
6    1000000  non-null values
7    1000000  non-null values
8    1000000  non-null values
9    1000000  non-null values
dtypes: float64(10)

In [5]: %timeit df.to_csv('test.csv',mode='w')
1 loops, best of 3: 12.7 s per loop

In [6]: %timeit df.to_hdf('test.h5','df',mode='w')
1 loops, best of 3: 825 ms per loop

In [7]: %timeit pd.read_csv('test.csv',index_col=0)
1 loops, best of 3: 2.35 s per loop

In [8]: %timeit pd.read_hdf('test.h5','df')
10 loops, best of 3: 38 ms per loop

我真的不会担心尺寸（我怀疑你不是，但只是感兴趣，这很好）。 HDF5的重点是磁盘价格便宜，cpu便宜，但你不能同时拥有内存中的所有内容，所以我们通过使用分块进行优化

HDF5比CSV占用更多空间？

准备数据：

设置HDF5可能的最高压缩：

另外还保存为CSV：

1 个答案: