我正在探索 Python,特别是带有 HDF5 的 Pandas,是否是一个合适的环境来进行一些时间序列建模......其结果是我几乎没有经验(还没有!)所以请原谅任何愚蠢的问题。
切入正题,即使将最基本的虚拟数据插入 HDF5 文件,我也遇到了一些问题。我在另一篇文章中关注提供的代码,但是当我开始以存储格式编写代码时,代码执行挂起。我还没有尝试过表格格式,我想先让它工作。我正在运行以下文件。
test_put.py:
from IPython.core.debugger import Tracer; debugStart = Tracer()
import pandas as pd
import numpy as np
import tables
print "Pandas version: " + pd.__version__ # 0.11.0
print "NumPy version: " + np.__version__ # 1.7.1
print "Tables version: " + tables.__version__ # 2.4.0
df = pd.DataFrame(np.random.randn(1000 * 1000, 100),
index=range(int(1000 * 1000)),
columns=['E%03d' % i for i in xrange(100)])
for x in range(20):
df['String%03d' % x] = 'string%03d' % x
def test_storer_put():
store = pd.HDFStore('test_put.h5','w')
debugStart()
store['df'] = df
store.close()
def test_table_put():
store = pd.HDFStore('test_put.h5','w')
store.put('df',df,table=True)
store.close()
test_storer_put()
在 ipython 中使用 ipdb 我有一个对挂线的调用堆栈,如下所示。这一行正在调用 cPickle,我假设它是某种编译库。我不能进一步进入这条线(使用's'),所以我不知道问题是什么。
~/test_put.py(20)test_storer_put()
18 store = pd.HDFStore('test_put.h5','w')
19 debugStart()
---> 20 store['df'] = df
21 store.close()
22
~/anaconda/lib/python2.7/site-packages/pandas/io/pytables.py(241)__setitem__()
239
240 def __setitem__(self, key, value):
--> 241 self.put(key, value)
242
243 def __delitem__(self, key):
~/anaconda/lib/python2.7/site-packages/pandas/io/pytables.py(536)put()
534 table
535 """
--> 536 self._write_to_group(key, value, table=table, append=append, **kwargs)
537
538 def remove(self, key, where=None, start=None, stop=None):
~/anaconda/lib/python2.7/site-packages/pandas/io/pytables.py(871)_write_to_group()
869 raise ValueError('Compression not supported on non-table')
870
--> 871 s.write(obj = value, append=append, complib=complib, **kwargs)
872 if s.is_table and index:
873 s.create_index(columns = index)
~/anaconda/lib/python2.7/site-packages/pandas/io/pytables.py(2005)write()
2003 blk = data.blocks[i]
2004 # I have no idea why, but writing values before items fixed #2299
-> 2005 self.write_array('block%d_values' % i, blk.values)
2006 self.write_index('block%d_items' % i, blk.items)
2007
~/anaconda/lib/python2.7/site-packages/pandas/io/pytables.py(1799)write_array()
1797 vlarr = self._handle.createVLArray(self.group, key,
1798 _tables().ObjectAtom())
-> 1799 vlarr.append(value)
1800 elif value.dtype.type == np.datetime64:
1801 self._handle.createArray(self.group, key, value.view('i8'))
~/anaconda/lib/python2.7/site-packages/tables/vlarray.py(462)append()
460 atom = self.atom
461 if not hasattr(atom, 'size'): # it is a pseudo-atom
--> 462 sequence = atom.toarray(sequence)
463 statom = atom.base
464 else:
~/anaconda/lib/python2.7/site-packages/tables/atom.py(1000)toarray()
998
999 def toarray(self, object_):
-> 1000 buffer_ = self._tobuffer(object_)
1001 array = numpy.ndarray( buffer=buffer_, dtype=self.base.dtype,
1002 shape=len(buffer_) )
> ~/anaconda/lib/python2.7/site-packages/tables/atom.py(1112)_tobuffer()
1110
1111 def _tobuffer(self, object_):
-> 1112 return cPickle.dumps(object_, cPickle.HIGHEST_PROTOCOL)
1113
1114 def fromarray(self, array):
挂线范围内的论点是:
ipdb> a
self = ObjectAtom()
object_ = [['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']
['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']
['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']
...,
['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']
['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']
['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']]
在单步执行代码时,我注意到BlockManagerStorer.write()
位于上述调用堆栈一半左右的方法正在循环遍历 2 组数据块(第 2002 到 2006 行)。第一个循环运行良好,第二个循环挂起。此外GenericStorer.write_array()
,然后在下一个堆栈中调用的方法在value.dtype.type == 'numpy.float64'
第一遍中但value.dtype.type == 'numpy.object'
在第二遍中导致 io/pytables.py 的第 1785 行上的不同分支被采用。编辑:第一遍是写一个 ~800 Meg 文件,所以它似乎是大部分预期的输出文件。
最后,以防这是与架构/软件风格相关的。我正在运行以下内容:
机器:虚拟机,1 个 CPU,4Gb RAM,64 位
操作系统:Red Hat Enterprise Linux 6(64 位)
软件:几天前通过 anaconda 安装的 Python、Pandas、PyTables 等。希望相关版本号打印在上面的脚本中(作为评论!),但如果其他人合适,请告诉我。
TIA 为詹姆斯提供任何帮助