将大 csv 转换为 hdf5
Posted
技术标签:
【中文标题】将大 csv 转换为 hdf5【英文标题】:Convert large csv to hdf5 【发布时间】:2015-01-27 23:15:29 【问题描述】:我有一个 100M 行的 csv 文件(实际上是许多单独的 csv 文件),总计 84GB。我需要将其转换为具有单个浮点数据集的 HDF5 文件。我在测试中使用 h5py 没有任何问题,但现在我无法在内存不足的情况下做最终数据集。
如何写入 HDF5 而无需将整个数据集存储在内存中?我希望这里有实际的代码,因为它应该很简单。
我只是在研究 pytables,但它看起来不像可以迭代写入数组类(对应于 HDF5 数据集)。同样,pandas 在其io_tools
中有read_csv
和to_hdf
方法,但我无法一次加载整个数据集,因此无法正常工作。或许你可以用 pytables 或 pandas 中的其他工具帮助我正确解决问题。
【问题讨论】:
【参考方案1】:Use append=True
在对to_hdf
的调用中:
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
A B
0 0 1
1 2 3
2 4 5
3 6 7
4 8 9
0 0 10
1 20 30
2 40 50
3 60 70
4 80 90
请注意,您需要在第一次调用df.to_hdf
时使用format='table'
以使表格可附加。否则,格式默认为'fixed'
,读写速度更快,但创建的表格无法追加。
因此,您可以一次处理每个 CSV,使用 append=True
构建 hdf5 文件。然后覆盖 DataFrame 或使用 del df
让旧的 DataFrame 被垃圾回收。
或者,您可以append to a HDFStore,而不是调用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
A B
0 0 1
1 2 3
2 4 5
3 6 7
4 8 9
0 0 10
1 20 30
2 40 50
3 60 70
4 80 90
【讨论】:
【参考方案2】:这应该可以通过 PyTables 实现。不过,您需要使用 EArray 类。
例如,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,create_earray
函数需要 1) 数据根或父节点; 2) 数组名; 3) 数据类型原子; 4)要扩展的维度中带有0
的形状; 5) 一个详细的描述符; 6) 一个compression filter; 7) 沿可扩展维度的预期行数。只有前两个是必需的,但您可能会在实践中使用所有七个。该函数还接受一些其他可选参数;再次,请参阅文档了解详细信息。
创建数组后,您可以按预期方式使用其append
方法。
【讨论】:
以上是关于将大 csv 转换为 hdf5的主要内容,如果未能解决你的问题,请参考以下文章