Python Pandas和HDF5中的文件大小缩减
我正在运行一个模型,该模型将数据输出到多个帧中,然后将这些帧保存到HDF5文件中。该模型运行数百次,每次都将新列(多索引)添加到现有HDF5文件的帧中。这是通过PandasPython Pandas和HDF5中的文件大小缩减,python,numpy,pandas,hdf5,pytables,Python,Numpy,Pandas,Hdf5,Pytables,我正在运行一个模型,该模型将数据输出到多个帧中,然后将这些帧保存到HDF5文件中。该模型运行数百次,每次都将新列(多索引)添加到现有HDF5文件的帧中。这是通过Pandasmerge完成的。由于每个运行的帧长度不同,因此帧中最终会出现大量的NaN值 在完成足够多的模型运行后,如果行或列与发生错误的模型运行相关联,则会从帧中删除数据。在该过程中,新的数据帧被放入新的HDF5文件中。以下伪python显示了此过程: with pandas.HDFStore(filename) as store:
merge
完成的。由于每个运行的帧长度不同,因此帧中最终会出现大量的NaN
值
在完成足够多的模型运行后,如果行或列与发生错误的模型运行相关联,则会从帧中删除数据。在该过程中,新的数据帧被放入新的HDF5文件中。以下伪python显示了此过程:
with pandas.HDFStore(filename) as store:
# figure out which indices should be removed
indices_to_drop = get_bad_indices(store)
new_store = pandas.HDFStore(reduced_filename)
for key in store.keys():
df = store[key]
for idx in indices_to_drop:
df = df.drop(idx, <level and axis info>)
new_store[key] = df
new_store.close()
以pandas.HDFStore(文件名)作为存储的:
#找出应该删除哪些索引
索引\u到\u删除=获取\u坏的\u索引(存储)
new_store=pandas.HDFStore(精简的_文件名)
对于存储区中的键。键():
df=存储[键]
对于索引中的idx\u到\u drop:
df=df.下降(idx,)
新存储[键]=df
新建商店。关闭()
新的hdf5文件最终大约是原始文件大小的10%。文件中唯一的区别是所有的NaN
值不再相等(而是所有numpy float64值)
我的问题是,如何在现有hdf5文件上实现这种文件大小缩减(可能是通过管理NaN
值实现的)?有时候我不需要做上面的步骤,但我无论如何都是为了得到减量。是否有现有的Pandas或PyTables命令可以执行此操作?提前非常感谢。请参阅文档
警告说明了一切:
警告:请注意,HDF5不会回收h5文件中的空间
自动地因此,重复删除(或删除节点)和
再次添加会增加文件大小。要清理文件,
使用ptrepack
是的,这对我很有用,从98GB到17GB,我不知道这一点,我的hdf文件大小一直在增长,