我有一个数据集,我想将其转换为 HDF5 格式。 它是NOAA的数据集。 目录结构类似于:
NOAA
├── code
├── ghcnd_all
├── ghcnd_all.tar.gz
├── ghcnd-stations.txt
├── ghcnd-version.txt
├── readme.txt
└── status.txt
我正在使用 pandas 进行数据分析。我感兴趣的主要原因是为了节省空间,数据集大约为25Gb。
如何将此数据集转换为单个 .hdf5 文件?
答案 0 :(得分:7)
HDF5中的数据存储在数据集中,这些数据集可能是多维的,最多包含32个维度,每个维度最多包含无符号的64位整数长度(列数),并且包含任意大小的数据类型,包括复合数据类型单个数据集的上限超过16艾字节。数据集用于保存结构化数据,如numpy数组,pandas DataFrames,图像和电子表格。我还没有找到任何方法直接将纯文本或tar.gz文件放入HDF5。但是,使用Python,您可以将文件读入字符串并将其放入数据集中,如Strings in HDF5所示。除数据集外,组是HDF5中的另一个主要对象类型,是数据集和其他组的容器。数据集和组类似于文件和目录(或文件夹),并提供分层格式的基础,如Unix文件系统,其中可以使用以/开头的路径名访问对象。 HDF5文件是可能包含多个数据集和组的容器,没有大小限制。
为了更好地了解HDF5是什么,我建议从HDF5 Downloads下载它并附带实用程序和HDFView,安装所有内容然后通过Learning HDF5 with HDFView,这可以在30分钟内完成。 HDFView是一个Java GUI,可以轻松地与HDF5进行交互,但是您不能简单地将文件拖放到其中,而是可以将文件数据导入到数据集中。使用pandas创建HDF5文件并向其添加DataFrame非常容易,这是将数据放入HDF5文件的好方法。以下是对此的演示。有关HDF5的更多信息,您可以查看HDF5 Tutorials,HDF5 Python Examples by API,Additional HDF5 Python Examples上列出的其他教程以及HDF5 for Python上的Python h5py软件包文档。有关大熊猫的更多信息,10 Minutes to pandas是一个很好的起点,其次是pandas Cookbook代表一系列代码示例,Python for Data Analysis代表Wes McKinney,这是关于大熊猫的最佳教程。他发明并开发了大部分作品,是一位出色的作家。
以下是使用pandas创建HDF5文件,将DataFrame加载到其中并检索并将其副本存储在另一个变量中的示例:
In [193]: import pandas as pd
In [194]: frame = pd.read_csv('test.csv')
In [195]: frame
Out[195]:
a b c d message
0 1 2 3 4 one
1 5 6 7 8 two
2 9 10 11 12 three
In [196]: type(frame)
Out[196]: pandas.core.frame.DataFrame
In [197]: hdf5store = pd.HDFStore('mydata.h5')
In [198] %ls mydata.h5
Volume in drive C is OS
Volume Serial Number is 5B75-665D
Directory of C:\Users\tn\Documents\python\pydata
09/02/2015 12:41 PM 0 mydata.h5
1 File(s) 0 bytes
0 Dir(s) 300,651,331,584 bytes free
In [199]: hd5store['frame'] = frame
In [200]: hdf5store
Out[200]:
<class 'pandas.io.pytables.HDFStore'>
File path: mydata.h5
/frame frame (shape->[3,5])
In [201]: list(hdf5store.items())
Out[201]:
[('/frame', /frame (Group) ''
children := ['block0_values' (Array), 'block0_items' (Array), 'axis1' (Array), 'block1_items' (Array), 'axis0' (Array), 'block1_values' (VLArray)])]
In [202]: hdf5store.close()
现在演示从mydata.h5中检索帧的功能:
In [203]: hdf5store2 = pd.HDFStore('mydata.h5')
In [204]: list(hdf5store2.items())
Out[204]:
[('/frame', /frame (Group) ''
children := ['block0_values' (Array), 'block0_items' (Array), 'axis1' (Array), 'block1_items' (Array), 'axis0' (Array), 'block1_values' (VLArray)])]
In [205]: framecopy = hdf5store2['frame']
In [206]: framecopy
Out[206]:
a b c d message
0 1 2 3 4 one
1 5 6 7 8 two
2 9 10 11 12 three
In [207]: framecopy == frame
Out[207]:
a b c d message
0 True True True True True
1 True True True True True
2 True True True True True
In [208]: hdf5store2.close()