HDFStore 获取列名

Question

我对 pandas 的 HDFStore 速度太慢有一些问题，不幸的是我无法从这里的其他问题中找到令人满意的解决方案。

情况

我有一个大 DataFrame，主要包含浮点数，有时包含整数列，这些列经过多个处理步骤（重命名、删除错误条目、聚合 30 分钟）。每行都有一个与之关联的时间戳。我想将一些中间步骤保存到 HDF 文件中，以便用户可以迭代地执行单个步骤，而无需每次都从头开始。

此外，用户应该能够从这些保存中绘制某些列，以便选择不良数据。因此，我想只检索列名而不读取 HDFStore 中的数据。 具体来说，用户应该获得存储在 HDF 中的所有数据帧的所有列的列表，然后他们应该选择他们想要查看的列，然后我使用 matplotlib 向他们展示相应的数据。

数据

shape == (5730000, 339) 看起来一点也不大，这就是我感到困惑的原因......（随着时间的推移可能会有更多的行，列应该保持固定） 在第一步中，我迭代地追加行和列（运行正常），但一旦完成，我总是一次处理整个 DataFrame，只对数据进行分组或删除。

我的方法

1. 我在内存中进行所有操作，因为 pandas 似乎相当快而 I/O 速度较慢（我认为 HDF 位于不同的物理服务器上）
2. 我使用日期时间索引并自动选择浮点或整数列
3. 我使用hdf.put('/name', df, format='fixed') 保存步骤，因为hdf.put('/name'.format(grp), df, format='table', data_columns=True) 似乎太慢了。
4. 我使用例如df.groupby(df.index).first() 和 df.groupby(pd.Grouper(freq='30Min')).agg(agg_dict) 处理数据，其中 agg_dict 是每列一个函数的字典。这也非常慢。
5. 为了绘图，我必须读入整个数据框，然后获取列：hdfstore.get('/name').columns

问题

• 如何在不从 HDFStore 读取任何数据的情况下检索所有列？
• 存储数据最有效的方法是什么？ HDF 是正确的选择吗？桌子还是固定的？
• 如果索引是日期时间索引，在效率方面是否重要？一般是否存在更有效的格式（例如，所有列都相同、固定 dtype？）
• 有没有比groupby (df.groupby(pd.Grouper(freq='30Min')).agg(agg_dict)) 更快的聚合方式

类似问题

How to access single columns using .select 我发现我只能使用它来检索某些列，但我认为只有在我知道列名之后才能检索。

感谢您的建议！

Answer 1

对于 HDFStore hdf 和 key（来自 hdf.keys()），您可以通过以下方式获取列名：

# Table stored with hdf.put(..., format='table')
columns = hdf.get_node('{}/table'.format(key)).description._v_names

# Table stored with hdf.put(..., format='fixed')
columns = list(hdf.get_node('{}/axis0'.format(key)).read().astype(str))

注意hdf.get(key).columns 也可以，但是它将所有数据读入内存，而上面的方法只读取列名。

---

完整的工作示例：

#!/usr/bin/env python
import pandas as pd

data = pd.DataFrame({'a': [1,1,1,2,3,4,5], 'b': [2,3,4,1,3,2,1]})

with pd.HDFStore(path='store.h5', mode='a') as hdf:
    hdf.put('/DATA/fixed_store', data, format='fixed')
    hdf.put('/DATA/table_store', data, format='table', data_columns=True)
    for key in hdf.keys():
        try:
            # column names of table store
            print(hdf.get_node('{}/table'.format(key)).description._v_names)
        except AttributeError:
            try:
                # column names of fixed store
                print(list(hdf.get_node('{}/axis0'.format(key)).read().astype(str)))
            except AttributeError:
                # e.g. a dataset created by h5py instead of pandas.
                print('unknown node in HDF.')

Answer 2

您可以通过指定相同的start 和stop 属性来简单地加载0 行DataFrame。并将所有内部索引/列处理留给 pandas 本身：

idx = pd.MultiIndex.from_product([('A', 'B'), range(2)], names=('Alpha', 'Int'))
df = pd.DataFrame(np.random.randn(len(idx), 3), index=idx, columns=('I', 'II', 'III'))
df

>>>                 I           II          III
>>> Alpha   Int             
>>>     A     0     -0.472412    0.436486    0.354592
>>>           1     -0.095776   -0.598585   -0.847514
>>>     B     0      0.107897    1.236039   -0.196927
>>>           1     -0.154014    0.821511    0.092220

以下适用于fixed 和table 格式：

with pd.HDFStore('test.h5') as store:
    store.put('df', df, format='f')
    meta = store.select('df', start=1, stop=1)
    meta
    meta.index
    meta.columns

>>>               I     II    III
>>> Alpha   Int             
>>>
>>> MultiIndex(levels=[[], []],
>>>            codes=[[], []],
>>>            names=['Alpha', 'Int'])
>>>
>>> Index(['I', 'II', 'III'], dtype='object')

至于其他问题：

1. 只要您的数据大部分是同质的（几乎是您提到的浮动列）并且您能够将其存储在单个文件中，而无需跨机器分发数据 - 首先要尝试 HDF。
2. 如果您需要追加/删除/查询数据 - 您必须使用table 格式。如果您只需要一次写入并多次读取 - fixed 将提高性能。
3. 至于日期时间索引，我想在这里我们可以使用与 1 子句中相同的想法。如果您能够将所有数据转换为单一类型，它应该会提高您的性能。
4. 没有想到其他在评论您的问题时提出的建议。

Answer 3

1. 未读取任何数据的列：

store.get_storer('df').ncols # substitute 'df' with your key
# you can also access nrows and other useful fields

1. 来自文档（fixed format、table format）：（重点以粗体表示）

[已修复] 这些类型的商店在编写后不可追加（尽管您可以简单地删除它们并重新编写）。 它们也不是可查询的；必须完整地检索它们。它们也不支持具有非唯一列名的数据框。与表格存储相比，固定格式存储提供非常快的写入和稍快的读取。

[table] 从概念上讲，表格的形状非常像 DataFrame，有行和列。表可以附加到相同或其他会话中。此外，还支持删除和查询类型的操作。

1. 您可以尝试使用纪元（或纪元）（自纪元以来的毫秒或纳秒）代替日期时间。这样，您只需处理整数索引。

2. 如果您需要对大数据进行分组，您可以查看this answer。

---

一个建议：如果您有 4 个问题要问，最好就 SO 提出 4 个单独的问题。这样，您将获得更多（更高质量）的答案，因为每个答案都更容易解决。每个人都会处理一个特定的主题，从而更容易搜索正在寻找特定答案的人。