38

考虑以下示例：

准备数据：

import string
import random
import pandas as pd

matrix = np.random.random((100, 3000))
my_cols = [random.choice(string.ascii_uppercase) for x in range(matrix.shape[1])]
mydf = pd.DataFrame(matrix, columns=my_cols)
mydf['something'] = 'hello_world'

为 HDF5 设置可能的最高压缩：

store = pd.HDFStore('myfile.h5',complevel=9, complib='bzip2')
store['mydf'] = mydf
store.close()

也保存到 CSV：

mydf.to_csv('myfile.csv', sep=':')

结果是：

  • myfile.csv5.6 MB 大
  • myfile.h5是 11 MB 大

随着数据集变大，差异会变大。

我尝试过其他压缩方法和级别。这是一个错误吗？（我使用的是 Pandas 0.11 和 HDF5 和 Python 的最新稳定版本）。

4

1 回答 1

49

我对该问题的回答副本：https ://github.com/pydata/pandas/issues/3651

你的样本真的太小了。HDF5 具有相当大的开销，而且尺寸非常小（即使是 300k 条目也在较小的一侧）。以下是两边都没有压缩的情况。浮点数实际上更有效地以二进制表示（即作为文本表示）。

此外，HDF5 是基于行的。通过拥有不太宽但相当长的表格，您可以获得很大的效率。（因此您的示例在 HDF5 中根本不是很有效，在这种情况下将其转置存储）

我通常有 10M+ 行的表，查询时间可以在毫秒内。即使是下面的例子也很小。拥有 10+GB 的文件是很常见的（更不用说 10GB+ 是几秒钟的天文家伙！）

-rw-rw-r--  1 jreback users 203200986 May 19 20:58 test.csv
-rw-rw-r--  1 jreback users  88007312 May 19 20:59 test.h5

In [1]: df = DataFrame(randn(1000000,10))

In [9]: df
Out[9]: 
<class 'pandas.core.frame.DataFrame'>
Int64Index: 1000000 entries, 0 to 999999
Data columns (total 10 columns):
0    1000000  non-null values
1    1000000  non-null values
2    1000000  non-null values
3    1000000  non-null values
4    1000000  non-null values
5    1000000  non-null values
6    1000000  non-null values
7    1000000  non-null values
8    1000000  non-null values
9    1000000  non-null values
dtypes: float64(10)

In [5]: %timeit df.to_csv('test.csv',mode='w')
1 loops, best of 3: 12.7 s per loop

In [6]: %timeit df.to_hdf('test.h5','df',mode='w')
1 loops, best of 3: 825 ms per loop

In [7]: %timeit pd.read_csv('test.csv',index_col=0)
1 loops, best of 3: 2.35 s per loop

In [8]: %timeit pd.read_hdf('test.h5','df')
10 loops, best of 3: 38 ms per loop

我真的不担心大小（我怀疑你不是，但只是感兴趣，这很好）。HDF5 的重点是磁盘便宜，cpu 便宜，但你不能一次将所有东西都放在内存中，所以我们使用分块进行优化

于 2013-05-20T01:29:43.907 回答