我一直在使用pandas和pytables来测试一些大型金融数据集,但遇到了一个真正的障碍:
当将数据存储在pytables文件中时,pandas似乎将多维数据存储在极长的行中,而不是列中。
试试这个:
from pandas import *
df = DataFrame({'col1':randn(100000000),'col2':randn(100000000)})
store = HDFStore('test.h5')
store['data'] = df #should be a warning here about exceeding the maximum recommended rowsize
store.handle
输出:
File(filename=test7.h5, title='', mode='a', rootUEP='/', filters=Filters(complevel=0, shuffle=False, fletcher32=False))
/ (RootGroup) ''
/data (Group) ''
/data/axis0 (Array(2,)) ''
atom := StringAtom(itemsize=4, shape=(), dflt='')
maindim := 0
flavor := 'numpy'
byteorder := 'irrelevant'
chunkshape := None
/data/axis1 (Array(100000000,)) ''
atom := Int64Atom(shape=(), dflt=0)
maindim := 0
flavor := 'numpy'
byteorder := 'little'
chunkshape := None
/data/block0_items (Array(2,)) ''
atom := StringAtom(itemsize=4, shape=(), dflt='')
maindim := 0
flavor := 'numpy'
byteorder := 'irrelevant'
chunkshape := None
/data/block0_values (Array(2, 100000000)) ''
atom := Float64Atom(shape=(), dflt=0.0)
maindim := 0
flavor := 'numpy'
byteorder := 'little'
chunkshape := None
我不是完全确定,但我认为结合错误信息,Array(2,100000000) 表示一个有 2 行和 100,000,000 列的二维数组。这也是在 HDFView 中显示的方式。
在某些情况下,我一直遇到极差的性能(例如,data['ticks'].head() 要花费 10 秒),这是它的问题吗?