Pandas read_hdf() 在有效 where 条件下返回“无效变量引用”

Posted 2023-03-11

【中文标题】Pandas read_hdf() 在有效 where 条件下返回“无效变量引用”

【英文标题】：Pandas read_hdf() returns "invalid variable reference" on valid where condition

【发布时间】：2019-01-20 12:31:59

【问题描述】：

我正在尝试使用方法 read_hdb 的属性 where 将数据从大型 HDF 存储过滤到所需的子集：

phase = pd.read_hdf(DSPATH + '/phase-table.h5', 'phase', where='EXTSIDNAME=="A"')

根据文档，我可以使用基本逻辑条件指定数据集中定义的任何列。根据 Pandas documentation 语法 column_name == 'string literal' 是支持的。

但是，对于我尝试指定的任何列，该库都会引发 ValueError 异常：

ValueError: The passed where expression: EXTSIDNAME=="A"
            contains an invalid variable reference
            all of the variable references must be a reference to
            an axis (e.g. 'index' or 'columns'), or a data_column
            The currently defined references are: index,columns

唯一没有通过错误的条件是'index=1'。

该列存在于数据存储中。如果我在没有过滤器的情况下加载它，我可以看到我正在尝试指定 where 条件确实存在：

Index(['EXTSIDNAME', 'HOSTNAME', 'TIMESTP', 'SUM_ENDDATE','MODULE_ID','MODULENAME',
'MODULE_STARTDATE', 'MODULE_ENDDATE', 'PHASE_ID','PHASENAME', 
'PHASE_STARTDATE', 'PHASE_ENDDATE', 'ID', 'PhaseDuration'], dtype='object')

我正在使用 Anaconda 包中最新的稳定库。

【参考方案1】：

如果您使用to_hdf() 创建了HDF 存储，则需要指定data_columns 参数。类似的问题发布在here。

一个例子：

d = 'Col': ['A', 'A', 'A', 'B', 'B', 'B', 'C', 'D'],
     'X': [1, 2, 3, 4, 5, 6, 7, 8]
df = pd.DataFrame.from_dict(d)

df 看起来像这样：

  Col  X
0   A  1
1   A  2
2   A  3
3   B  4
4   B  5
5   B  6
6   C  7
7   D  8

让我们用to_hdf() 将它写入.h5 文件。格式等于'table'，这一点很重要：

df.to_hdf('myhdf.h5', 'somekey', format='table')

现在让我们用read_hdf()阅读它：

pd.read_hdf('myhdf.h5', key='somekey', where='Col==A')

返回错误：

ValueError: The passed where expression: Col==A
            contains an invalid variable reference
            all of the variable refrences must be a reference to
            an axis (e.g. 'index' or 'columns'), or a data_column
            The currently defined references are: index,columns

什么给了？

当你做to_hdf()时，你还需要像这样定义data_columns：

df.to_hdf('myhdf.h5', 'somekey', format='table', data_columns=['Col', 'X'])

现在您可以使用 where 从 .h5 文件中读取数据：

pd.read_hdf('myhdf.h5', key='somekey', where='Col==A')
  Col  X
0   A  1
1   A  2
2   A  3

以where 为列表：

pd.read_hdf('myhdf.h5', key='somekey', where=['Col==A', 'X==2'])
  Col  X
1   A  2

【讨论】：

正是这样！此外，正如我现在所见，Pandas documentation 中指出，如果查询表达式具有未知变量引用，select 将引发 ValueError。通常这意味着您正在尝试在不是 data_column 的列上进行选择。 此外，可以指定 data_columns=True 而不是 data_columns=True 来索引所有列，从而使它们可用于在 where 中进行过滤子句。

酷！我不知道data_columns=True 部分。我希望我能记住这一点。