使用 pandas.to_hdf 快速读取 df 中的指定列

Question

我有一个 2Gb 的数据帧，一次写入，多次读取 df。 我想在 pandas 中使用 df，因此我使用了固定格式的 df.read_hdf 和 df.to_hdf，在阅读和写作方面都很好。

但是，随着添加的列越来越多，df 也在增长，所以我想改用表格格式，这样我可以在读取数据时选择我需要的列。我认为这会给我带来速度优势，但从测试来看似乎并非如此。

这个例子：

import numpy as np
import pandas as pd
df = pd.DataFrame(np.random.randn(10000000,9),columns=list('ABCDEFGHI'))
%time df.to_hdf("temp.h5", "temp", format ="fixed", mode="w")
%time df.to_hdf("temp2.h5", "temp2", format="table", mode="w")

显示固定格式稍快（在我的机器上为 6.8 秒对 5.9 秒）。

然后读取数据（稍作休息以确保文件已完全保存）：

%time x = pd.read_hdf("temp.h5", "temp")
%time y = pd.read_hdf("temp2.h5", "temp2")
%time z = pd.read_hdf("temp2.h5", "temp2", columns=list("ABC"))

产量：

Wall time: 420 ms (fixed)   
Wall time: 557 ms (format)   
Wall time: 671 ms (format, specified columns)

我知道固定格式读取数据的速度更快，但为什么 具有指定列的 df 比读取完整数据帧慢？与固定格式相比，使用表格格式（有或没有指定列）有什么好处？

当 df 变得更大时，是否有内存优势？

Answer 1

IMO 将format='table' 与data_columns=[list_of_indexed_columns] 结合使用的主要优点是能够有条件地（参见where="where clause" 参数）读取巨大的HDF5 文件。这样您就可以在读取时过滤数据，并分块处理数据以避免 MemoryError。

您可以尝试将单个列或列组（大部分时间将被一起读取）保存在不同的 HDF 文件或具有不同键的同一文件中。

我也会考虑使用“尖端”技术 - Feather-Format

测试和时间安排：

import feather

以三种格式写入磁盘：（HDF5 固定、HDF% 表、羽化）

df = pd.DataFrame(np.random.randn(10000000,9),columns=list('ABCDEFGHI'))
df.to_hdf('c:/temp/fixed.h5', 'temp', format='f', mode='w')
df.to_hdf('c:/temp/tab.h5', 'temp', format='t', mode='w')
feather.write_dataframe(df, 'c:/temp/df.feather')

从磁盘读取：

In [122]: %timeit pd.read_hdf(r'C:\Temp\fixed.h5', "temp")
1 loop, best of 3: 409 ms per loop

In [123]: %timeit pd.read_hdf(r'C:\Temp\tab.h5', "temp")
1 loop, best of 3: 558 ms per loop

In [124]: %timeit pd.read_hdf(r'C:\Temp\tab.h5', "temp", columns=list('BDF'))
The slowest run took 4.60 times longer than the fastest. This could mean that an intermediate result is being cached.
1 loop, best of 3: 689 ms per loop

In [125]: %timeit feather.read_dataframe('c:/temp/df.feather')
The slowest run took 6.92 times longer than the fastest. This could mean that an intermediate result is being cached.
1 loop, best of 3: 644 ms per loop

In [126]: %timeit feather.read_dataframe('c:/temp/df.feather', columns=list('BDF'))
1 loop, best of 3: 218 ms per loop  # WINNER !!!

PS如果你在使用feather.write_dataframe(...)时遇到如下错误：

FeatherError: Invalid: no support for strided data yet 

这里有一个解决方法：

df = df.copy()

之后feather.write_dataframe(df, path) 应该可以正常工作...