建站
咨詢
售后
建站咨詢
新聞中心
一、簡介
創(chuàng)新互聯(lián)是專業(yè)的雙城網(wǎng)站建設(shè)公司，雙城接單;提供成都做網(wǎng)站、網(wǎng)站建設(shè),網(wǎng)頁設(shè)計,網(wǎng)站設(shè)計,建網(wǎng)站,PHP網(wǎng)站建設(shè)等專業(yè)做網(wǎng)站服務(wù);采用PHP框架,可快速的進(jìn)行雙城網(wǎng)站開發(fā)網(wǎng)頁制作和功能擴(kuò)展;專業(yè)做搜索引擎喜愛的網(wǎng)站,專業(yè)的做網(wǎng)站團(tuán)隊(duì),希望更多企業(yè)前來合作!
HDF5(Hierarchical Data Formal)是用于存儲大規(guī)模數(shù)值數(shù)據(jù)的較為理想的存儲格式。
其文件后綴名為h5，存儲讀取速度非?？欤铱稍谖募?nèi)部按照明確的層次存儲數(shù)據(jù)，同一個HDF5可以看做一個高度整合的文件夾，其內(nèi)部可存放不同類型的數(shù)據(jù)。
在Python中操縱HDF5文件的方式主要有兩種，一是利用pandas中內(nèi)建的一系列HDF5文件操作相關(guān)的方法來將pandas中的數(shù)據(jù)結(jié)構(gòu)保存在HDF5文件中，二是利用h5py模塊來完成從Python原生數(shù)據(jù)結(jié)構(gòu)向HDF5格式的保存。
本文就將針對pandas中讀寫HDF5文件的方法進(jìn)行介紹。
圖1
二、利用pandas操縱HDF5文件
1. 寫出文件
pandas中的HDFStore()用于生成管理HDF5文件IO操作的對象，其主要參數(shù)如下：
- 「path」：字符型輸入，用于指定h5文件的名稱(不在當(dāng)前工作目錄時需要帶上完整路徑信息)
- 「mode」：用于指定IO操作的模式，與Python內(nèi)建的open()中的參數(shù)一致，默認(rèn)為'a'，即當(dāng)指定文件已存在時不影響原有數(shù)據(jù)寫入，指定文件不存在時則新建文件;'r'，只讀模式;'w'，創(chuàng)建新文件(會覆蓋同名舊文件);'r+'，與'a'作用相似，但要求文件必須已經(jīng)存在;
- 「complevel」：int型，用于控制h5文件的壓縮水平，取值范圍在0-9之間，越大則文件的壓縮程度越大，占用的空間越小，但相對應(yīng)的在讀取文件時需要付出更多解壓縮的時間成本，默認(rèn)為0，代表不壓縮
下面我們創(chuàng)建一個HDF5 IO對象store：
- import pandas as pd
- store = pd.HDFStore('demo.h5')
- '''查看store類型'''
- print(store)
圖2
可以看到store對象屬于pandas的io類，通過上面的語句我們已經(jīng)成功的初始化名為demo.h5的的文件，本地也相應(yīng)的會出現(xiàn)對應(yīng)文件。
接下來我們創(chuàng)建pandas中不同的兩種對象，并將它們共同保存到store中，首先創(chuàng)建Series對象：
- import numpy as np
- #創(chuàng)建一個series對象
- s = pd.Series(np.random.randn(5), index=['a', 'b', 'c', 'd', 'e'])
- s
圖3
接著我們創(chuàng)建一個DataFrame對象：
- #創(chuàng)建一個dataframe對象
- df = pd.DataFrame(np.random.randn(8, 3),
- columns=['A', 'B', 'C'])
- df
圖4
第一種方式利用鍵值對將不同的數(shù)據(jù)存入store對象中：
- store['s'], store['df'] = s, df
第二種方式利用store對象的put()方法，其主要參數(shù)如下：
- 「key」：指定h5文件中待寫入數(shù)據(jù)的key
- 「value」：指定與key對應(yīng)的待寫入的數(shù)據(jù)
- 「format」：字符型輸入，用于指定寫出的模式，'fixed'對應(yīng)的模式速度快，但是不支持追加也不支持檢索;'table'對應(yīng)的模式以表格的模式寫出，速度稍慢，但是支持直接通過store對象進(jìn)行追加和表格查詢操作
使用put()方法將數(shù)據(jù)存入store對象中：
- store.put(key='s', value=s);store.put(key='df', value=df)
既然是鍵值對的格式，那么可以查看store的items屬性(注意這里store對象只有items和keys屬性，沒有values屬性)：
- store.items
圖5
調(diào)用store對象中的數(shù)據(jù)直接用對應(yīng)的鍵名來索引即可：
- store['df']
圖6
刪除store對象中指定數(shù)據(jù)的方法有兩種，一是使用remove()方法，傳入要刪除數(shù)據(jù)對應(yīng)的鍵：
- store.remove('s')
二是使用Python中的關(guān)鍵詞del來刪除指定數(shù)據(jù)：
- del store['s']
這時若想將當(dāng)前的store對象持久化到本地，只需要利用close()方法關(guān)閉store對象即可，而除了通過定義一個確切的store對象的方式之外，還可以從pandas中的數(shù)據(jù)結(jié)構(gòu)直接導(dǎo)出到本地h5文件中：
- #創(chuàng)建新的數(shù)據(jù)框
- df_ = pd.DataFrame(np.random.randn(5,5))
- #導(dǎo)出到已存在的h5文件中，這里需要指定key
- df_.to_hdf(path_or_buf='demo.h5',key='df_')
- #創(chuàng)建于本地demo.h5進(jìn)行IO連接的store對象
- store = pd.HDFStore('demo.h5')
- #查看指定h5對象中的所有鍵
- print(store.keys())
圖7
2. 讀入文件
在pandas中讀入HDF5文件的方式主要有兩種，一是通過上一節(jié)中類似的方式創(chuàng)建與本地h5文件連接的IO對象，接著使用鍵索引或者store對象的get()方法傳入要提取數(shù)據(jù)的key來讀入指定數(shù)據(jù)：
- store = pd.HDFStore('demo.h5')
- '''方式1'''
- df1 = store['df']
- '''方式2'''
- df2 = store.get('df')
- df1 == df2
圖8
可以看出這兩種方式都能順利讀取鍵對應(yīng)的數(shù)據(jù)。
第二種讀入h5格式文件中數(shù)據(jù)的方法是pandas中的read_hdf()，其主要參數(shù)如下：
- 「path_or_buf」：傳入指定h5文件的名稱
- 「key」：要提取數(shù)據(jù)的鍵
需要注意的是利用read_hdf()讀取h5文件時對應(yīng)文件不可以同時存在其他未關(guān)閉的IO對象，否則會報錯，如下例：
- print(store.is_open)
- df = pd.read_hdf('demo.h5',key='df')
圖9
把IO對象關(guān)閉后再次提?。?/p>
- store.close()
- print(store.is_open)
- df = pd.read_hdf('demo.h5',key='df')
- df
圖10
3. 性能測試
接下來我們來測試一下對于存儲同樣數(shù)據(jù)的csv格式文件、h5格式的文件，在讀取速度上的差異情況：
這里我們首先創(chuàng)建一個非常大的數(shù)據(jù)框，由一億行x5列浮點(diǎn)類型的標(biāo)準(zhǔn)正態(tài)分布隨機(jī)數(shù)組成，接著分別用pandas中寫出HDF5和csv格式文件的方式持久化存儲：
- import pandas as pd
- import numpy as np
- import time
- store = pd.HDFStore('store.h5')
- #生成一個1億行，5列的標(biāo)準(zhǔn)正態(tài)分布隨機(jī)數(shù)表
- df = pd.DataFrame(np.random.rand(100000000,5))
- start1 = time.clock()
- store['df'] = df
- store.close()
- print(f'HDF5存儲用時{time.clock()-start1}秒')
- start2 = time.clock()
- df.to_csv('df.csv',index=False)
- print(f'csv存儲用時{time.clock()-start2}秒')
圖11
在寫出同樣大小的數(shù)據(jù)框上，HDF5比常規(guī)的csv快了將近50倍，而且兩者存儲后的文件大小也存在很大差異：
圖12
csv比HDF5多占用將近一倍的空間，這還是在我們沒有開啟HDF5壓縮的情況下，接下來我們關(guān)閉所有IO連接，運(yùn)行下面的代碼來比較對上述兩個文件中數(shù)據(jù)還原到數(shù)據(jù)框上兩者用時差異：
- import pandas as pd
- import time
- start1 = time.clock()
- store = pd.HDFStore('store.h5',mode='r')
- df1 = store.get('df')
- print(f'HDF5讀取用時{time.clock()-start1}秒')
- start2 = time.clock()
- df2 = pd.read_csv('df.csv')
- print(f'csv讀取用時{time.clock()-start2}秒')
圖13
HDF5用時僅為csv的1/13，因此在涉及到數(shù)據(jù)存儲特別是規(guī)模較大的數(shù)據(jù)時，HDF5是你不錯的選擇。
網(wǎng)站標(biāo)題：在pandas中利用hdf5高效存儲數(shù)據(jù)
轉(zhuǎn)載來源：http://www.5511xx.com/article/cddcido.html
