pandas：如何使用包含 np.nan 的字符串列保存到 hdf 数据帧

Question

我想知道当熊猫数据帧包含字符串列时是否有一种好方法可以将它保存到 hdf。

给定数据框：

In [6]: df.head()                                                                                                                                                                                                  
Out[6]:                                                                                                                                                                                                            
   Protocol           Src   Bytes                                                                                                                                                                                  
10     ICMP           NaN    1062                                                                                                                                                                                  
11     ICMP     10.2.0.74    2146                                                                                                                                                                                  
12     ICMP  10.100.100.1  857520                                                                                                                                                                                  
13     ICMP  10.100.100.2  857520                                                                                                                                                                                  
14     ICMP  10.100.100.2    7000      

df.to_hdf('save.h5' ,'table') 结果：

/home/lpuggini/MyApps/python_2_7_numerical/lib/python2.7/site-packages/pandas/core/generic.py:1138: PerformanceWarning:                                                                                            
your performance may suffer as PyTables will pickle object types that it cannot                                                                                                                                    
map directly to c-types [inferred_type->mixed,key->block0_values] [items->['Protocol', 'Src']]                                                                                                                     

  return pytables.to_hdf(path_or_buf, key, self, **kwargs)                                                                                                                                                         

可以避免将列转换为str 为：

df['Src'] = df['Src'].apply(str)

但随后np.nan 也将保存为'nan'

有没有更好的方法来保存包含 string 和 np.nan 列的数据框？

Answer 1

HDF 文件中的列必须是单一数据类型。 nan 在 numpy 内部由 float 表示。您可以通过以下方式将 nan 值替换为空字符串：

df['src'].fillna('')

HDF 在数值类型上的性能比字符串好得多，因此将您的 IP 地址转换为整数类型可能更有意义。

编辑：见下面@Jeff 的注释。上述情况适用于 format='fixed'。

Edit2：根据docs，您可以为字符串dtype cols指定nan的磁盘表示：

df.to_hdf((...), nan_rep='whatever you want')