Python pandas read_hdf具有大量条件

我试图用pandas库读取64 GB的HDF文件（用blosc压缩）。数据帧包含3列和11410996915行。我尝试使用pandas.read_hdf方法和where参数按索引选择具体行。问题是，有时我需要获得数千行，因此在我的where参数中，我放置了如下内容：

simMat = pd.read_hdf('global.h5','matrix', columns=['similarity'], where='index in {}'.format(listIdx))

其中listIdx是一个整数列表，表示我想要返回的索引。当这个列表包含超过31个元素时，我得到一个内存错误。我开始查看pandas库的代码，发现在pytables.py文件中，在BinOp类中有一个名为_max_selectors的变量，该变量赋值为31。此变量在以下代码段中使用：

# if too many values to create the expression, use a filter instead
if self.op in ['==', '!='] and len(values) > self._max_selectors:

    filter_op = self.generate_filter_op()
    self.filter = (
       self.lhs,
       filter_op,
       pd.Index([v.value for v in values]))
    return self

---

使用筛选器会导致库尝试加载整个数据帧，这会引发MemoryError。我还尝试使用值为10的chunksize参数，但它也不起作用。您知道更好的方法来查询具有如此大索引集的HDF文件吗？

您可以使用以下技术：

pd.read_hdf(filename, 'key', where='index = vals')

其中

vals

是

pd.Series

或

Python列表

变量

您还可以使用属于其他DF的列进行筛选：

In [201]: another_df = pd.DataFrame(np.random.randint(0, 100, size=(100, 3)), columns=list('abc'))

In [202]: pd.read_hdf(fn, 'test', where='a = another_df["a"]').shape
Out[202]: (573, 3)

或其他DF的索引：

In [203]: pd.read_hdf(fn, 'test', where='index = another_df.index').shape
Out[203]: (100, 3)

演示：

设置

试验

与Python列表相同：

idx_list = vals.tolist()

In [197]: pd.read_hdf(fn, 'test', where='index = idx_list').shape
Out[197]: (98, 3)

vals = pd.Series(np.random.randint(0, 100, 500))

In [196]: pd.read_hdf(fn, 'test', where='index = vals').shape
Out[196]: (98, 3)

idx_list = vals.tolist()

In [197]: pd.read_hdf(fn, 'test', where='index = idx_list').shape
Out[197]: (98, 3)