Question

如何从pandas HDFStore中检索特定列？我经常处理非常大的数据集，这些数据集太大而无法在内存中操作。我想迭代地读取一个csv文件，将每个块附加到HDFStore对象中，然后处理数据的子集。我已经阅读了一个简单的csv文件，并使用以下代码将其加载到HDFStore中：

tmp = pd.HDFStore('test.h5')
chunker = pd.read_csv('cars.csv', iterator=True, chunksize=10, names=['make','model','drop'])
tmp.append('df', pd.concat([chunk for chunk in chunker], ignore_index=True))

输出：

In [97]: tmp
Out[97]:
<class 'pandas.io.pytables.HDFStore'>
File path: test.h5
/df     frame_table (typ->appendable,nrows->1930,indexers->[index])

我的问题是如何从tmp['df']访问特定列？该文档提到了select()方法和一些Term个对象。提供的示例适用于小组数据;然而，我太过新手，无法将其扩展到更简单的数据框案例。我的猜测是我必须以某种方式创建列的索引。谢谢！

Answer 1

您可以使用列索引存储数据框，如下所示：

import pandas as pd
import numpy as np
from pandas.io.pytables import Term

index = pd.date_range('1/1/2000', periods=8)
df = pd.DataFrame( np.random.randn(8,3), index=index, columns=list('ABC'))  

store = pd.HDFStore('mydata.h5')
store.append('df_cols', df, axes='columns')

然后按照您的意愿选择：

In [8]: store.select('df_cols', [Term('columns', '=', 'A')])
Out[8]: 
2000-01-01    0.347644
2000-01-02    0.477167
2000-01-03    1.419741
2000-01-04    0.641400
2000-01-05   -1.313405
2000-01-06   -0.137357
2000-01-07   -1.208429
2000-01-08   -0.539854

其中：

In [9]: df
Out[9]: 
                   A         B         C
2000-01-01  0.347644  0.895084 -1.457772
2000-01-02  0.477167  0.464013 -1.974695
2000-01-03  1.419741  0.470735 -0.309796
2000-01-04  0.641400  0.838864 -0.112582
2000-01-05 -1.313405 -0.678250 -0.306318
2000-01-06 -0.137357 -0.723145  0.982987
2000-01-07 -1.208429 -0.672240  1.331291
2000-01-08 -0.539854 -0.184864 -1.056217

对我而言，这不是一个理想的解决方案，因为我们只能通过一件事索引DataFrame！令人担忧the docs似乎建议您只能将DataFrame索引一件事，至少使用axes：

将axes关键字传递给维度列表（当前必须比对象的总维度少1个）。

我可能读错了，在这种情况下希望有人可以证明我错了！

注意：我发现通过两件事（索引和列）索引DataFrame的一种方法是将其转换为Panel，然后可以使用两个索引进行检索。但是，每次检索项目时，我们都必须转换为选定的子面板到DataFrame ...再次，不理想。

Answer 2

HDFStore记录表的方式，列按类型存储为单个numpy数组。你总是回到所有列，你可以过滤它们，所以你会根据你的要求返回。在0.10.0中，您可以传递涉及列的术语。

store.select('df', [ Term('index', '>', Timestamp('20010105')), 
                     Term('columns', '=', ['A','B']) ])

或者你可以在之后重新索引

df = store.select('df', [ Term('index', '>', Timestamp('20010105') ])
df.reindex(columns = ['A','B'])

axes实际上不是解决方案（实际创建的实际上是存储转置帧）。此参数允许您重新排序轴的存储，以便以不同方式进行数据对齐。对于数据帧而言，这并不意味着什么;对于3d或4d结构，磁盘数据对齐对于真正快速的查询至关重要。

0.10.1将允许更优雅的解决方案，即数据列，也就是说，您可以选择某些列表示为表存储中的自己的列，因此您实际上可以只选择它们。这是一种即将到来的品味。

 store.append('df', columns = ['A','B','C'])
 store.select('df', [ 'A > 0', Term('index', '>', Timestamp(2000105)) ])

另一种方法是在文件的不同节点中存储单独的表，然后您只能选择所需的内容。

一般来说，我再推荐一个很宽的桌子。 hayden提供了Panel解决方案，这对您来说可能是一个好处，因为实际的数据安排应该反映您想要查询数据的方式。

Answer 3

从现在开始，U可以使用查询表达式代替Term的构造。例如：store.select('df', "index > Timestamp('20000105')")

从pandas.HDFStore表中选择列

3 个答案: