如何将多个 pandas 数据帧组合到一个键/组下的 HDF5 对象中？

Posted 2023-03-11

【中文标题】如何将多个 pandas 数据帧组合到一个键/组下的 HDF5 对象中？

【英文标题】：How do I combine multiple pandas dataframes into an HDF5 object under one key/group?

【发布时间】：2017-02-16 21:58:21

【问题描述】：

我正在从 800 GB 的大型 csv 文件中解析数据。对于每一行数据，我将其保存为 pandas 数据框。

readcsvfile = csv.reader(csvfile)
for i, line in readcsvfile:
    # parse create dictionary of key:value pairs by csv field:value, "dictionary_line"
    # save as pandas dataframe
    df = pd.DataFrame(dictionary_line, index=[i])

现在，我想将其保存为 HDF5 格式，并像查询整个 csv 文件一样查询 h5。

import pandas as pd
store = pd.HDFStore("pathname/file.h5")

hdf5_key = "single_key"

csv_columns = ["COL1", "COL2", "COL3", "COL4",..., "COL55"]

到目前为止，我的方法是：

import pandas as pd
store = pd.HDFStore("pathname/file.h5")

hdf5_key = "single_key"

csv_columns = ["COL1", "COL2", "COL3", "COL4",..., "COL55"]
readcsvfile = csv.reader(csvfile)
for i, line in readcsvfile:
    # parse create dictionary of key:value pairs by csv field:value, "dictionary_line"
    # save as pandas dataframe
    df = pd.DataFrame(dictionary_line, index=[i])
    store.append(hdf5_key, df, data_columns=csv_columns, index=False)

也就是说，我尝试将每个数据帧df 保存到一个键下的HDF5中。但是，这失败了：

  Attribute 'superblocksize' does not exist in node: '/hdf5_key/_i_table/index'

所以，我可以先尝试将所有内容保存到一个 pandas 数据框中，即

import pandas as pd
store = pd.HDFStore("pathname/file.h5")

hdf5_key = "single_key"

csv_columns = ["COL1", "COL2", "COL3", "COL4",..., "COL55"]
readcsvfile = csv.reader(csvfile)
total_df = pd.DataFrame()
for i, line in readcsvfile:
    # parse create dictionary of key:value pairs by csv field:value, "dictionary_line"
    # save as pandas dataframe
    df = pd.DataFrame(dictionary_line, index=[i])
    total_df = pd.concat([total_df, df])   # creates one big CSV

现在存储为 HDF5 格式

    store.append(hdf5_key, total_df, data_columns=csv_columns, index=False)

但是，我认为我没有 RAM/存储空间来将所有 csv 行保存为 total_df 为 HDF5 格式。

那么，如何将每个“单行”df 附加到 HDF5 中，以便最终成为一个大数据帧（如原始 csv）？

编辑：这是一个具有不同数据类型的 csv 文件的具体示例：

 order    start    end    value    
 1        1342    1357    category1
 1        1459    1489    category7
 1        1572    1601    category23
 1        1587    1599    category2
 1        1591    1639    category1
 ....
 15        792     813    category13
 15        892     913    category5
 ....

【问题讨论】：

是否所有条目都属于同一类型？ IRC，hdf5 不做混合数组。

@Paul 那么，如何将整个 +TB csv 数据表转换为 HDF5 格式？

@MaxU 我知道你是 HDF5 专家。这可能吗？感觉是个很简单的任务……

@Paul 我应该为每个 csv 字段 COL1、COL2、.. 创建单独的列并从字典/熊猫数据框中附加值吗？我将如何处理“NaN”值？你有什么建议？

@Ümit 您也是 StackOverlow 上著名的 HDF5 专家——这肯定是一项简单的任务，对吧？我应该以某种方式将每个字段值保存到单独的数组中，然后保存到 HDF5 中吗？ （我不知道这是否会保留 csv“数据帧”结构，我担心在存储到 HDF5 之前保存巨大的数组时会遇到 RAM 问题...）

【参考方案1】：

你的代码应该可以工作，你可以试试下面的代码：

import pandas as pd
import numpy as np

store = pd.HDFStore("file.h5", "w")
hdf5_key = "single_key"
csv_columns = ["COL%d" % i for i in range(1, 56)]
for i in range(10):
    df = pd.DataFrame(np.random.randn(1, len(csv_columns)), columns=csv_columns)
    store.append(hdf5_key, df,  data_column=csv_columns, index=False)
store.close()

如果代码有效，则说明您的数据有问题。

【讨论】：

这段代码确实有效——但我不确定我的数据可能有什么“错误”。我收到两个错误：Attribute 'superblocksize' does not exist in node: '/hdf5_key/_i_table/index' 或 ValueError: cannot match existing table structure for [COLl1, COL2, COL3, COL4, COL5, ...] on appending data

实际上，这个例子有效并且我抛出错误ValueError: cannot match existing table structure for [COLl1, COL2, COL3, COL4, COL5, ...] on appending data 的原因似乎是我的数据有多种类型。如果df 的列有字符串、整数、浮点数等，你会怎么做？

@ShanZhengYang 如果你有一列同时包含字符串和数字，请先将所有值转换为字符串或数字。