Question

我正在尝试ptrepack使用pandas HDFStore pytables接口创建的HDF文件。数据框的主要索引是时间，但我做了更多列data_columns，以便我可以通过这些data_columns过滤磁盘上的数据。

现在我想通过其中一列对HDF文件进行排序（因为选择对我来说太慢了，84 GB文件），使用带有sortby选项的ptrepack如下：

()[maye@luna4 .../nominal]$ ptrepack --chunkshape=auto --propindexes --complevel=9 --complib=blosc --sortby=clat C9.h5 C9_sorted.h5

我收到错误消息：

（）[maye @ luna4 ... / nominal] $从'C9.h5：/'到副本的问题   'C9_sorted.h5：/'错误是 - ＆gt; ：   字段clat必须在表/df/table (Table(390557601,)) ''中关联“完整”索引。目标文件如下所示：C9_sorted.h5   （文件）''最后修改：''星期五7月26日18:17:56 2013'对象树：/   （RootGroup）''/ df（Group）''/ df / table（表（0，），shuffle，blosc（9））   ''

Traceback（最近一次调用最后一次）：文件   “/ usr / local / epd / bin / ptrepack”，第10行，in       sys.exit（main（））文件“/usr/local/epd/lib/python2.7/site-packages/tables/scripts/ptrepack.py”，   第480行，主要       upgradeflavors = upgradeflavors）文件“/usr/local/epd/lib/python2.7/site-packages/tables/scripts/ptrepack.py”，   第225行，在copyChildren中       引发RuntimeError（“请检查节点名称是不是”RuntimeError：请检查节点名称是否重复   目标，如果是，请根据需要添加--overwrite-nodes标志。在   特别要注意rootUEP并不是在愚弄你。

这是否意味着我无法通过索引列对HDF文件进行排序，因为它们不是“完整”索引？

Answer 1

我已经测试过Jeff在上面讨论的讨论中提到的几个选项。

请查看此笔记本，希望它可以帮助您为数据存储做出相关决策：http://nbviewer.ipython.org/810bd0720bb1732067ff 笔记本的要点是：https://gist.github.com/michaelaye/810bd0720bb1732067ff

我的主要结论是：

使用index = False有几个令人印象深刻的效果：1。它减少了生成的HDF文件的文件大小。 2.它可以更快地创建HDFFile。 3.即使这样，ptdump和storer（）。group.table打印输出也没有显示任何索引，商店显示仍然显示索引器和数据列（这可能是对我这边的pytables机器的无知）。
通过store.create_table_index（）创建索引，无需通过其中一个数据列进行数据选择。
此索引 HAS 是一个“完整”索引，因此后面的带有--sortby的ptrepack不会保释。但它 NOT 必须是索引级别9.默认级别6很好，并且似乎不会显着影响数据选择速度。也许它会有很多列？
使用--propindexes几乎使ptrepacking时间加倍，数据选择速度略有提升。
使用压缩和--propindexs仅比单独使用--propindex稍慢，而数据大小（至少在本例中）不会显着下降。
使用压缩，数据选择速度似乎没有太大差异。
此示例为1 mio的加速。在对选择列进行排序后，仅使用--sortby而不使用--propindexes的2列随机数据的行数约为5。

完成后，命令的超短摘要：

df = pd.DataFrame(randn(1e6,2),columns=list('AB')).to_hdf('test.h5','df',
                  data_columns=list('AB'),mode='w',table=True,index=False)
store = pd.HDFStore('test.h5')
store.create_table_index('df',columns=['B'], kind='full')
store.close()

在shell中：

ptrepack --chunkshape=auto --sortby=B test.h5 test_sorted.h5

Answer 2

这是一个完整的例子。

使用data_column创建框架。将索引重置为完整索引。使用ptrepack来排序它。

In [16]: df = DataFrame(randn(10,2),columns=list('AB')).to_hdf('test.h5','df',data_columns=['B'],mode='w',table=True)

In [17]: store = pd.HDFStore('test.h5')

In [18]: store
Out[18]: 
<class 'pandas.io.pytables.HDFStore'>
File path: test.h5
/df            frame_table  (typ->appendable,nrows->10,ncols->2,indexers->[index],dc->[B])

In [19]: store.get_storer('df').group.table
Out[19]: 
/df/table (Table(10,)) ''
  description := {
  "index": Int64Col(shape=(), dflt=0, pos=0),
  "values_block_0": Float64Col(shape=(1,), dflt=0.0, pos=1),
  "B": Float64Col(shape=(), dflt=0.0, pos=2)}
  byteorder := 'little'
  chunkshape := (2730,)
  autoIndex := True
  colindexes := {
    "index": Index(6, medium, shuffle, zlib(1)).is_CSI=False,
    "B": Index(6, medium, shuffle, zlib(1)).is_CSI=False}

In [20]: store.create_table_index('df',columns=['B'],optlevel=9,kind='full')

In [21]: store.get_storer('df').group.table
Out[21]: 
/df/table (Table(10,)) ''
  description := {
  "index": Int64Col(shape=(), dflt=0, pos=0),
  "values_block_0": Float64Col(shape=(1,), dflt=0.0, pos=1),
  "B": Float64Col(shape=(), dflt=0.0, pos=2)}
  byteorder := 'little'
  chunkshape := (2730,)
  autoIndex := True
  colindexes := {
    "index": Index(6, medium, shuffle, zlib(1)).is_CSI=False,
    "B": Index(9, full, shuffle, zlib(1)).is_CSI=True}

 In [22]: store.close()

 In [25]: !ptdump -avd test.h5
/ (RootGroup) ''
  /._v_attrs (AttributeSet), 4 attributes:
   [CLASS := 'GROUP',
    PYTABLES_FORMAT_VERSION := '2.0',
    TITLE := '',
    VERSION := '1.0']
/df (Group) ''
  /df._v_attrs (AttributeSet), 14 attributes:
   [CLASS := 'GROUP',
    TITLE := '',
    VERSION := '1.0',
    data_columns := ['B'],
    encoding := None,
    index_cols := [(0, 'index')],
    info := {'index': {}},
    levels := 1,
    nan_rep := b'nan',
    non_index_axes := [(1, ['A', 'B'])],
    pandas_type := b'frame_table',
    pandas_version := b'0.10.1',
    table_type := b'appendable_frame',
    values_cols := ['values_block_0', 'B']]
/df/table (Table(10,)) ''
  description := {
  "index": Int64Col(shape=(), dflt=0, pos=0),
  "values_block_0": Float64Col(shape=(1,), dflt=0.0, pos=1),
  "B": Float64Col(shape=(), dflt=0.0, pos=2)}
  byteorder := 'little'
  chunkshape := (2730,)
  autoindex := True
  colindexes := {
    "index": Index(6, medium, shuffle, zlib(1)).is_csi=False,
    "B": Index(9, full, shuffle, zlib(1)).is_csi=True}
  /df/table._v_attrs (AttributeSet), 15 attributes:
   [B_dtype := b'float64',
    B_kind := ['B'],
    CLASS := 'TABLE',
    FIELD_0_FILL := 0,
    FIELD_0_NAME := 'index',
    FIELD_1_FILL := 0.0,
    FIELD_1_NAME := 'values_block_0',
    FIELD_2_FILL := 0.0,
    FIELD_2_NAME := 'B',
    NROWS := 10,
    TITLE := '',
    VERSION := '2.6',
    index_kind := b'integer',
    values_block_0_dtype := b'float64',
    values_block_0_kind := ['A']]
  Data dump:
[0] (0, [1.10989047288066], 0.396613633081911)
[1] (1, [0.0981650001268093], -0.9209780702446433)
[2] (2, [-0.2429293157073629], -1.779366453624283)
[3] (3, [0.7305529521507728], 1.243565083939927)
[4] (4, [-0.1480724789512519], 0.5260130757651649)
[5] (5, [1.2560020435792643], 0.5455842491255144)
[6] (6, [1.20129355706986], 0.47930635538027244)
[7] (7, [0.9973598999689721], 0.8602929579025727)
[8] (8, [-0.40070941088441786], 0.7622228032635253)
[9] (9, [0.35865804118145655], 0.29939126149826045)

这是另一种创建完全排序索引的方法（与以这种方式编写索引相反）

In [23]: !ptrepack --sortby=B test.h5 test_sorted.h5

In [26]: !ptdump -avd test_sorted.h5
/ (RootGroup) ''
  /._v_attrs (AttributeSet), 4 attributes:
   [CLASS := 'GROUP',
    PYTABLES_FORMAT_VERSION := '2.1',
    TITLE := '',
    VERSION := '1.0']
/df (Group) ''
  /df._v_attrs (AttributeSet), 14 attributes:
   [CLASS := 'GROUP',
    TITLE := '',
    VERSION := '1.0',
    data_columns := ['B'],
    encoding := None,
    index_cols := [(0, 'index')],
    info := {'index': {}},
    levels := 1,
    nan_rep := b'nan',
    non_index_axes := [(1, ['A', 'B'])],
    pandas_type := b'frame_table',
    pandas_version := b'0.10.1',
    table_type := b'appendable_frame',
    values_cols := ['values_block_0', 'B']]
/df/table (Table(10,)) ''
  description := {
  "index": Int64Col(shape=(), dflt=0, pos=0),
  "values_block_0": Float64Col(shape=(1,), dflt=0.0, pos=1),
  "B": Float64Col(shape=(), dflt=0.0, pos=2)}
  byteorder := 'little'
  chunkshape := (2730,)
  /df/table._v_attrs (AttributeSet), 15 attributes:
   [B_dtype := b'float64',
    B_kind := ['B'],
    CLASS := 'TABLE',
    FIELD_0_FILL := 0,
    FIELD_0_NAME := 'index',
    FIELD_1_FILL := 0.0,
    FIELD_1_NAME := 'values_block_0',
    FIELD_2_FILL := 0.0,
    FIELD_2_NAME := 'B',
    NROWS := 10,
    TITLE := '',
    VERSION := '2.6',
    index_kind := b'integer',
    values_block_0_dtype := b'float64',
    values_block_0_kind := ['A']]
  Data dump:
[0] (2, [-0.2429293157073629], -1.779366453624283)
[1] (1, [0.0981650001268093], -0.9209780702446433)
[2] (9, [0.35865804118145655], 0.29939126149826045)
[3] (0, [1.10989047288066], 0.396613633081911)
[4] (6, [1.20129355706986], 0.47930635538027244)
[5] (4, [-0.1480724789512519], 0.5260130757651649)
[6] (5, [1.2560020435792643], 0.5455842491255144)
[7] (8, [-0.40070941088441786], 0.7622228032635253)
[8] (7, [0.9973598999689721], 0.8602929579025727)
[9] (3, [0.7305529521507728], 1.243565083939927)

ptrepack sortby需要'完整'索引

2 个答案: