我正在运行一个模型,将数据输出到多个Pandas帧中,然后将这些帧保存到HDF5文件中。该模型运行数百次,每次将新列(多索引)添加到现有HDF5文件的帧中。这是通过Pandas merge
完成的。由于每次运行的帧长度不同,因此帧中最多会有NaN
个值。
完成足够的模型运行后,如果行或列与出现错误的模型运行相关联,则会从帧中删除数据。在该过程中,新数据帧被放入新的HDF5文件中。以下伪python显示了这个过程:
with pandas.HDFStore(filename) as store:
# figure out which indices should be removed
indices_to_drop = get_bad_indices(store)
new_store = pandas.HDFStore(reduced_filename)
for key in store.keys():
df = store[key]
for idx in indices_to_drop:
df = df.drop(idx, <level and axis info>)
new_store[key] = df
new_store.close()
新的hdf5文件最终大小为原始文件大小的10%。文件中唯一的区别是所有NaN
值不再相等(但都是numpy float64值)。
我的问题是,如何在现有的hdf5文件上实现文件大小减少(可能通过管理NaN
值)?有些时候我不需要做上述程序,但无论如何我都是这样做的。是否有可以执行此操作的现有Pandas或PyTables命令?非常感谢你提前。
答案 0 :(得分:5)