70

我有以下关于 HDF5 性能和并发性的问题：

  1. HDF5 是否支持并发写访问？
  2. 除了并发考虑，HDF5 在I/O 性能方面的性能如何（压缩率是否会影响性能）？
  3. 由于我在 Python 中使用 HDF5，它的性能与 Sqlite 相比如何？

参考：

4

2 回答 2

79

更新为使用 pandas 0.13.1

1）没有。 http://pandas.pydata.org/pandas-docs/dev/io.html#notes-caveats。有多种方法可以做到这一点，例如让您的不同线程/进程写出计算结果，然后让单个进程组合​​。

2) 根据您存储的数据类型、存储方式以及检索方式，HDF5 可以提供更好的性能。将浮点数据存储HDFStore为单个数组，经过压缩（换句话说，不以允许查询的格式存储），存储/读取速度非常快。即使以表格格式存储（这会降低写入性能），也会提供相当好的写入性能。您可以查看一些详细的比较（这是HDFStore在引擎盖下使用的）。http://www.pytables.org/，这是一张漂亮的照片：

（并且由于 PyTables 2.3 查询现在已编入索引），所以 perf 实际上比这要好得多所以回答你的问题，如果你想要任何类型的性能，HDF5 是要走的路。

写作：

In [14]: %timeit test_sql_write(df)
1 loops, best of 3: 6.24 s per loop

In [15]: %timeit test_hdf_fixed_write(df)
1 loops, best of 3: 237 ms per loop

In [16]: %timeit test_hdf_table_write(df)
1 loops, best of 3: 901 ms per loop

In [17]: %timeit test_csv_write(df)
1 loops, best of 3: 3.44 s per loop

阅读

In [18]: %timeit test_sql_read()
1 loops, best of 3: 766 ms per loop

In [19]: %timeit test_hdf_fixed_read()
10 loops, best of 3: 19.1 ms per loop

In [20]: %timeit test_hdf_table_read()
10 loops, best of 3: 39 ms per loop

In [22]: %timeit test_csv_read()
1 loops, best of 3: 620 ms per loop

这是代码

import sqlite3
import os
from pandas.io import sql

In [3]: df = DataFrame(randn(1000000,2),columns=list('AB'))
<class 'pandas.core.frame.DataFrame'>
Int64Index: 1000000 entries, 0 to 999999
Data columns (total 2 columns):
A    1000000  non-null values
B    1000000  non-null values
dtypes: float64(2)

def test_sql_write(df):
    if os.path.exists('test.sql'):
        os.remove('test.sql')
    sql_db = sqlite3.connect('test.sql')
    sql.write_frame(df, name='test_table', con=sql_db)
    sql_db.close()

def test_sql_read():
    sql_db = sqlite3.connect('test.sql')
    sql.read_frame("select * from test_table", sql_db)
    sql_db.close()

def test_hdf_fixed_write(df):
    df.to_hdf('test_fixed.hdf','test',mode='w')

def test_csv_read():
    pd.read_csv('test.csv',index_col=0)

def test_csv_write(df):
    df.to_csv('test.csv',mode='w')    

def test_hdf_fixed_read():
    pd.read_hdf('test_fixed.hdf','test')

def test_hdf_table_write(df):
    df.to_hdf('test_table.hdf','test',format='table',mode='w')

def test_hdf_table_read():
    pd.read_hdf('test_table.hdf','test')

当然是 YMMV。

于 2013-05-18T21:41:40.100 回答
3

看看pytables，他们可能已经为你做了很多这样的工作。

也就是说，我并不完全清楚如何比较 hdf 和 sqlite。 hdf是一种通用的分层数据文件格式+库，sqlite是一个关系数据库。

hdf确实支持该级别的并行 I/O c，但我不确定其中包含多少，h5py或者它是否可以与 NFS 配合使用。

如果你真的想要一个高度并发的关系数据库，为什么不直接使用真正的 SQL 服务器呢？

于 2013-05-18T21:40:49.167 回答