Python Hdf5文件中未显示的列
我有一个大数据集13亿个数据,我想用Vaex可视化。由于csv中的数据集非常大,大约130gb,在520个单独的文件中,我将它们合并到一个hdf5文件中,并为每个csv文件添加pandas dataframe.to_hdf function format:table。如果我使用pandas.read_hdf函数加载一段数据,就不会有问题Python Hdf5文件中未显示的列,python,pandas,hdf5,vaex,Python,Pandas,Hdf5,Vaex,我有一个大数据集13亿个数据,我想用Vaex可视化。由于csv中的数据集非常大,大约130gb,在520个单独的文件中,我将它们合并到一个hdf5文件中,并为每个csv文件添加pandas dataframe.to_hdf function format:table。如果我使用pandas.read_hdf函数加载一段数据,就不会有问题 x y z 0 -8274.591528 36.053843 24.766887 1 -8273.229203 34.8
x y z
0 -8274.591528 36.053843 24.766887
1 -8273.229203 34.853409 21.883050
2 -8289.577896 15.326737 26.041516
3 -8279.589741 27.798428 26.222326
4 -8272.836821 37.035071 24.795912
... ... ... ...
995 -8258.567634 3.581020 23.955874
996 -8270.526953 4.373765 24.381293
997 -8287.429578 1.674278 25.838418
998 -8250.624879 4.884777 21.815401
999 -8287.115655 1.100695 25.931318
1000 rows × 3 columns
这就是它看起来的样子,我可以访问我想要的任何列,形状是1000,3。但是,当我尝试使用vaex.open函数加载hdf5文件时:
# table
0 '(0, [-8274.59152784, 36.05384262, 24.7668...
1 '(1, [-8273.22920299, 34.85340869, 21.8830...
2 '(2, [-8289.5778959 , 15.32673748, 26.0415...
3 '(3, [-8279.58974054, 27.79842822, 26.2223...
4 '(4, [-8272.83682085, 37.0350707 , 24.7959...
... ...
1,322,286,736 '(2792371, [-6781.56835851, 2229.30828904, -6...
1,322,286,737 '(2792372, [-6781.71119626, 2228.78749838, -6...
1,322,286,738 '(2792373, [-6779.3251589 , 2227.46826613, -6...
1,322,286,739 '(2792374, [-6777.26078082, 2229.49535808, -6...
1,322,286,740 '(2792375, [-6782.81758335, 2228.87820639, -6...
这就是我得到的。形状是1322286741,1,只有一列是“table”。当我尝试将vaex导入的hdf称为Galado[0]时:
[(0, [-8274.59152784, 36.05384262, 24.76688728])]
在导入的数据中,这些是第一行的x、y、z列。当我试图检查另一个问题中的数据时,它也给出了一个错误,表示没有找到数据。所以我认为问题在于熊猫一行一行地添加hdf5文件,而这在其他程序中不起作用。有没有办法解决这个问题 hdf5与JSON和xml一样灵活,您可以以任何方式存储数据。Vaex有自己的数据存储方式,您可以使用h5ls utils结构检查数据,它非常简单,与Pandas/PyTables的存储方式不一致 Vaex将每个列存储为单个连续数组,如果不使用所有列,这是最佳选择,并且可以轻松地将内存映射到真正的numpy数组。PyTables将至少相同类型的每一行存储在彼此相邻的位置。这意味着,如果要计算x列的平均值,则可以有效地检查所有数据 由于PyTables hdf5的读取速度可能已经比CSV快得多,因此我建议您执行以下未经测试的操作,但它应该能够理解这一点:
import vaex
import pandas as pd
import glob
# make sure dir vaex exists
for filename in glob.glob("pandas/*.hdf5"): # assuming your files live there
pdf = pd.read_hdf(filename)
df = vaex.from_pandas(pdf) # now df is a vaex dataframe
df.export(filename.replace("pandas", "vaex"), progress=True)) # same in vaex' format
df = vaex.open("vaex/*.hdf5") # it will be concatenated
# don't access df.x.values since it's not a 'real' numpy array, but
# a lazily concatenated column, so it would need to memory copy.
# If you need that, you can optionally do (and for extra performance)
# df.export("big.hdf5", progress=True)
# df_single = vaex.open("big.hdf5")
# df_single.x.values # this should reference the original data on disk (no mem copy)
hdf5与JSON和xml一样灵活,可以以任何方式存储数据。Vaex有自己的数据存储方式,您可以使用h5ls utils结构检查数据,它非常简单,与Pandas/PyTables的存储方式不一致 Vaex将每个列存储为单个连续数组,如果不使用所有列,这是最佳选择,并且可以轻松地将内存映射到真正的numpy数组。PyTables将至少相同类型的每一行存储在彼此相邻的位置。这意味着,如果要计算x列的平均值,则可以有效地检查所有数据 由于PyTables hdf5的读取速度可能已经比CSV快得多,因此我建议您执行以下未经测试的操作,但它应该能够理解这一点:
import vaex
import pandas as pd
import glob
# make sure dir vaex exists
for filename in glob.glob("pandas/*.hdf5"): # assuming your files live there
pdf = pd.read_hdf(filename)
df = vaex.from_pandas(pdf) # now df is a vaex dataframe
df.export(filename.replace("pandas", "vaex"), progress=True)) # same in vaex' format
df = vaex.open("vaex/*.hdf5") # it will be concatenated
# don't access df.x.values since it's not a 'real' numpy array, but
# a lazily concatenated column, so it would need to memory copy.
# If you need that, you can optionally do (and for extra performance)
# df.export("big.hdf5", progress=True)
# df_single = vaex.open("big.hdf5")
# df_single.x.values # this should reference the original data on disk (no mem copy)