Konwertuj duży plik csv na hdf5
Mam plik csv linii 100m (właściwie wiele oddzielnych plików csv) o łącznej pojemności 84GB. Muszę przekonwertować go do pliku HDF5 z pojedynczym zestawem danych float. Używałem h5py w testach bez żadnych problemów, ale teraz nie mogę zrobić ostatecznego zestawu danych bez wyczerpania pamięci.
Jak mogę pisać do HDF5 bez konieczności przechowywania całego zbioru danych w pamięci? Spodziewam się tutaj prawdziwego kodu, ponieważ powinien być dość prosty.
Właśnie patrzyłem na pytables , ale to nie wygląda na to, że Klasa array (która odpowiada zestawowi danych HDF5) może być zapisywana iteracyjnie. Podobnie, pandy mają metody read_csv
i to_hdf
w swoim io_tools
, ale nie mogę załadować całego zbioru danych na raz, więc to nie zadziała. Być może możesz pomóc mi rozwiązać problem poprawnie z innymi narzędziami w pytables lub pandy.
2 answers
Użycie append=True
w wywołaniu do to_hdf
:
import numpy as np
import pandas as pd
filename = '/tmp/test.h5'
df = pd.DataFrame(np.arange(10).reshape((5,2)), columns=['A', 'B'])
print(df)
# A B
# 0 0 1
# 1 2 3
# 2 4 5
# 3 6 7
# 4 8 9
# Save to HDF5
df.to_hdf(filename, 'data', mode='w', format='table')
del df # allow df to be garbage collected
# Append more data
df2 = pd.DataFrame(np.arange(10).reshape((5,2))*10, columns=['A', 'B'])
df2.to_hdf(filename, 'data', append=True)
print(pd.read_hdf(filename, 'data'))
A B
0 0 1
1 2 3
2 4 5
3 6 7
4 8 9
0 0 10
1 20 30
2 40 50
3 60 70
4 80 90
Zauważ, że musisz użyć format='table'
w pierwszym wywołaniu df.to_hdf
, aby uczynić tabelę przydatną. W przeciwnym razie domyślnie formatem jest 'fixed'
, który jest szybszy do odczytu i zapisu, ale tworzy tabelę, do której nie można dołączyć.
W ten sposób możesz przetwarzać każdy plik CSV po jednym na raz, użyj append=True
do zbudowania pliku hdf5. Następnie zastąp ramkę danych lub użyj del df
, aby pozwolić, aby stara ramka była śmieciem zebrane.
Alternatywnie, zamiast wywoływać df.to_hdf
, możesz dołączyć do HDFStore :
import numpy as np
import pandas as pd
filename = '/tmp/test.h5'
store = pd.HDFStore(filename)
for i in range(2):
df = pd.DataFrame(np.arange(10).reshape((5,2)) * 10**i, columns=['A', 'B'])
store.append('data', df)
store.close()
store = pd.HDFStore(filename)
data = store['data']
print(data)
store.close()
A B
0 0 1
1 2 3
2 4 5
3 6 7
4 8 9
0 0 10
1 20 30
2 40 50
3 60 70
4 80 90
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2014-11-29 15:12:36
Powinno to być możliwe z PyTables. Musisz jednak użyć klasy EArray .
Jako przykład, poniżej znajduje się skrypt, który napisałem, aby zaimportować dane treningowe przechowywane w plikach .npy
do jednego pliku .h5
.
import numpy
import tables
import os
training_data = tables.open_file('nn_training.h5', mode='w')
a = tables.Float64Atom()
bl_filter = tables.Filters(5, 'blosc') # fast compressor at a moderate setting
training_input = training_data.create_earray(training_data.root, 'X', a,
(0, 1323), 'Training Input',
bl_filter, 4000000)
training_output = training_data.create_earray(training_data.root, 'Y', a,
(0, 27), 'Training Output',
bl_filter, 4000000)
for filename in os.listdir('input'):
print "loading {}...".format(filename)
a = numpy.load(os.path.join('input', filename))
print "writing to h5"
training_input.append(a)
for filename in os.listdir('output'):
print "loading {}...".format(filename)
training_output.append(numpy.load(os.path.join('output', filename)))
Spójrz na dokumenty, aby uzyskać szczegółowe instrukcje, ale bardzo krótko, Funkcja create_earray
zajmuje 1) główny węzeł danych lub węzeł nadrzędny; 2) nazwę tablicy; 3) atom typu danych; 4) kształt z 0
w wymiarze, który chcesz rozwinąć; 5) szczegółowy deskryptor; 6) filtr kompresji ; oraz 7) oczekiwana liczba wierszy wzdłuż rozszerzalnego wymiaru. Wymagane są tylko dwa pierwsze, ale prawdopodobnie wykorzystasz wszystkie siedem w praktyce. Funkcja akceptuje również kilka innych opcjonalnych argumentów; więcej szczegółów można znaleźć w dokumentach.
Po utworzeniu tablicy można użyć jej metody append
w oczekiwany sposób.
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/doraprojects.net/template/agent.layouts/content.php on line 54
2014-12-01 14:10:38