使用 pandas 在 HDF 中存储包含字符串的数据帧时的谜团

Question

这里有一些关于万圣节的熊猫和 HDF 令人毛骨悚然的东西：

df = pandas.DataFrame([['a','b'] for i in range(1,1000)])
store = pandas.HDFStore('test.h5')
store['x'] = df
store.close()

然后

ls -l test.h5
-rw-r--r-- 1 arthur arthur 1072080 Oct 26 10:50 test.h5

110 万？有点陡峭，但为什么不呢。这就是事情变得真正令人毛骨悚然的地方

store = pandas.HDFStore('test.h5') #open it again
store['x'] = df #do the same thing as before!
store.close()

然后

ls -l test.h5
-rw-r--r-- 1 arthur arthur 2122768 Oct 26 10:52 test.h5

您现在已进入暮光区。不用说，运行后store是没有区别的，但是每次迭代都让文件有点胖。

似乎只有在涉及字符串时才会发生。 在我提交错误报告之前，我想知道我是否在这里遗漏了什么......

Answer 1

是的：“HDF5 不是数据库”。人们经常使用 ptrepack（PyTables 的一部分）来“重新打包”HDF5 文件而不会出现任何死字节。

Answer 2

看来可能是这个原因：http://www.hdfgroup.org/hdf5-quest.html#del

这是 HDF5 的一大难题，wtf。