3

我使用 pandas 创建了一个大型（120GB；10 亿行）HDF5 文件。在最初创建 hdf 文件后，我像这样添加到文件中：

with pd.get_store(path_output) as hdf_output:
  for i in range(BIG_LOOP):
    df = ...
    hdf_output.append('all', df, data_columns=[])

我故意设置 data_columns=[] 以避免在创建期间建立索引。现在我有了 HDF 文件，我想为几列添加索引（例如，columns_to_index=['A', 'B', 'C']）

不知何故，我现在确实有 ptdump data_columns:=['A']，但我不记得那是怎么发生的。（也许最初的 df 是用不同的参数编写的（我连续几天添加到 hdfstore 并且我可能已经改变了一些东西）。无论如何，无论如何，不​​管它是如何创建的，我想索引额外的列。

显然，简单地调用mystore.create_table_index('all', columns=['A', 'B', 'C'], optlevel=9, kind='full')是行不通的。我第一次运行它时，它搅动了一个小时，并在文件大小上增加了 2 GB（检查元数据显示块大小增加了），但我没有所有 3 个索引（只是“A”的索引）。如何为所有 3 列生成索引？

我还注意到 ptdump 中的这一行——对于我想要索引的项目，我有“non_index_axes”似乎令人不安：non_index_axes := [(1, ['A', 'B', 'C'])]

如果无法在 pandas 中创建索引，我将不胜感激有关如何直接在 pytables 中执行此操作的建议。（例如，我是否需要先删除任何现有索引？以及如何修改“non_index_axes”和“data_coumns”）

编辑：预期有关我的用例的问题，这是我要完成的工作的总体情况：

  1. 从 CSV 文件中读取 120 GB 的数据。每个文件代表一天的财务数据，由 100,000 行组成，每行大约有十几列。我只是将每一行按顺序存储在 HDF5 文件中。我希望这个初始阶段能够快速运行，因此我关闭了索引。目前，我在 6 秒内读取和解析每个 CSV 文件，并且如上所述存储到 HDF5 文件中只需 1.5 秒。

  2. 索引少数（不是全部）列以支持各种查询，例如获取第 1 列中具有给定字符串的所有项目以及第 2 列中特定范围内的日期。

  3. 随着时间的推移，我每天都会解析一个新的 CSV 文件并将其添加到 HDF5 文件中。我预计指数会继续更新。

  4. （根据我的访问模式，我存储行的顺序（当前，按日期）可能仍然是检索的最佳顺序。在大多数查询中，我最终可能还需要按不同的列排序，在这种情况下，我认为在解析和附加每个 CSV 文件后，我需要重新排序表格。）

目前我被困在第 2 步，生成列索引。

4

1 回答 1

2

我会做一些不同的事情 -看看这个小例子：

for chunk in ...  # reading data in chunks:
    # specify `data_columns`, but don't index (`index=False`)
    hdf_output.append('all', chunk, data_columns=[cols_to_index], index=False)

# index columns explicitly     
hdf_output.create_table_index(hdf_key, columns=cols_to_index, optlevel=9, kind='full')
于 2016-08-01T20:35:37.910 回答