Question

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？

Answer 1

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()

将数据集转换为HDF5数据集

1 个答案: