Question

我尝试使用pandas库读取64 GB的HDF文件（使用blosc压缩）。 Dataframe包含3列和11410996915行。我试图通过方法pandas.read_hdf和参数where选择具体的行。问题是有时我需要获得数千行，所以在我的where参数中我放了这样的东西：

simMat = pd.read_hdf('global.h5','matrix', columns=['similarity'], where='index in {}'.format(listIdx))

其中listIdx是表示我想要返回的索引的integeres列表。当此列表包含超过31个元素时，我收到内存错误。我开始查看pandas库的代码并发现在文件pytables.py中，在BinOp类中有一个名为_max_selectors的变量，它已赋值为31.此变量在此段代码之后使用：

# if too many values to create the expression, use a filter instead
if self.op in ['==', '!='] and len(values) > self._max_selectors:

    filter_op = self.generate_filter_op()
    self.filter = (
       self.lhs,
       filter_op,
       pd.Index([v.value for v in values]))
    return self

使用过滤器会导致库尝试加载整个数据帧，这会导致MemoryError。我试图使用值为10的chunksize参数，但它也不起作用。您是否知道使用如此大量的索引查询HDF文件的更好方法？

Answer 1

您可以使用以下技术：

pd.read_hdf(filename, 'key', where='index = vals')

其中vals是pd.Series或Python list变量

您还可以使用属于其他DF的列进行过滤：

In [201]: another_df = pd.DataFrame(np.random.randint(0, 100, size=(100, 3)), columns=list('abc'))

In [202]: pd.read_hdf(fn, 'test', where='a = another_df["a"]').shape
Out[202]: (573, 3)

或其他DF指数：

In [203]: pd.read_hdf(fn, 'test', where='index = another_df.index').shape
Out[203]: (100, 3)

演示：

设置

fn = r'D:\temp\.data\hdf\test.h5'

store = pd.HDFStore(fn)

df = pd.DataFrame(np.random.randint(0, 10**4, size=(10**5, 3)), columns=list('abc'))

store.append('test', df, data_columns=True, complib='blosc', complevel=5)

store.close()

测试

vals = pd.Series(np.random.randint(0, 100, 500))

In [196]: pd.read_hdf(fn, 'test', where='index = vals').shape
Out[196]: (98, 3)

与Python列表相同：

idx_list = vals.tolist()

In [197]: pd.read_hdf(fn, 'test', where='index = idx_list').shape
Out[197]: (98, 3)

pandas read_hdf有很多条件

1 个答案: