Question

我有一个100M的行csv文件（实际上很多单独的csv文件）总共84GB。我需要将它转换为具有单个float数据集的HDF5文件。我在测试中使用了 h5py 而没有任何问题，但现在我无法在没有内存不足的情况下完成最终数据集。

如何在不必将整个数据集存储在内存中的情况下写入HDF5？我在这里期待实际代码，因为它应该非常简单。

我只是在研究 pytables ，但看起来不像数组类（对应于HDF5数据集）可以迭代编写。同样， pandas 在read_csv中有to_hdf和io_tools个方法，但我无法一次加载整个数据集，因此无效。也许你可以帮我用pytables或pandas中的其他工具正确解决问题。

Answer 1

在to_hdf的调用中

Use append=True：

import numpy as np
import pandas as pd

filename = '/tmp/test.h5'

df = pd.DataFrame(np.arange(10).reshape((5,2)), columns=['A', 'B'])
print(df)
#    A  B
# 0  0  1
# 1  2  3
# 2  4  5
# 3  6  7
# 4  8  9

# Save to HDF5
df.to_hdf(filename, 'data', mode='w', format='table')
del df    # allow df to be garbage collected

# Append more data
df2 = pd.DataFrame(np.arange(10).reshape((5,2))*10, columns=['A', 'B'])
df2.to_hdf(filename, 'data', append=True)

print(pd.read_hdf(filename, 'data'))

产量

请注意，您需要在第一次调用format='table'时使用df.to_hdf才能使表格可附加。否则，默认情况下格式为'fixed'，读取和写入速度更快，但会创建一个无法追加的表格。

因此，您可以一次处理一个CSV，使用append=True构建hdf5文件。然后覆盖DataFrame或使用del df允许旧的DataFrame被垃圾收集。

或者，您可以append to a HDFStore：

而不是致电df.to_hdf

import numpy as np
import pandas as pd

filename = '/tmp/test.h5'
store = pd.HDFStore(filename)

for i in range(2):
    df = pd.DataFrame(np.arange(10).reshape((5,2)) * 10**i, columns=['A', 'B'])
    store.append('data', df)

store.close()

store = pd.HDFStore(filename)
data = store['data']
print(data)
store.close()

产量

Answer 2

PyTables应该可以实现这一点。您需要使用EArray课程。

作为示例，以下是我编写的脚本，用于将存储为.npy文件的分块训练数据导入单个.h5文件。

import numpy
import tables
import os

training_data = tables.open_file('nn_training.h5', mode='w')
a = tables.Float64Atom()
bl_filter = tables.Filters(5, 'blosc')   # fast compressor at a moderate setting

training_input =  training_data.create_earray(training_data.root, 'X', a,
                                             (0, 1323), 'Training Input',
                                             bl_filter, 4000000)
training_output = training_data.create_earray(training_data.root, 'Y', a,
                                             (0, 27), 'Training Output',
                                             bl_filter, 4000000)

for filename in os.listdir('input'):
    print "loading {}...".format(filename)
    a = numpy.load(os.path.join('input', filename))
    print "writing to h5"
    training_input.append(a)

for filename in os.listdir('output'):
    print "loading {}...".format(filename)
    training_output.append(numpy.load(os.path.join('output', filename)))

查看文档以获取详细说明，但非常简单地说，create_earray函数需要1）数据根节点或父节点; 2）数组名称; 3）数据类型原子; 4）要扩展的维度中具有0的形状; 5）详细的描述符; 6）a compression filter; 7）沿可扩展维度的预期行数。只需要前两个，但你可能会在实践中使用全部七个。该函数也接受一些其他可选参数;再次，请参阅文档了解详情。

创建数组后，您可以按预期方式使用其append方法。

将大型csv转换为hdf5

2 个答案: