这就是我的数据帧的样子。第一列是单个int。第二列是512个int的单个列表。
IndexID Ids
1899317 [0, 47715, 1757, 9, 38994, 230, 12, 241, 12228...
22861131 [0, 48156, 154, 6304, 43611, 11, 9496, 8982, 1...
2163410 [0, 26039, 41156, 227, 860, 3320, 6673, 260, 1...
15760716 [0, 40883, 4086, 11, 5, 18559, 1923, 1494, 4, ...
12244098 [0, 45651, 4128, 227, 5, 10397, 995, 731, 9, 3...
我把它保存到hdf,并尝试使用打开它
df.to_hdf('test.h5', key='df', data_columns=True)
h3 = h5py.File('test.h5')
当我列出密钥时,我看到4个密钥
h3['df'].keys()
KeysViewHDF5[‘axi0’,‘axis1’,‘block0_items’,‘block 0_values’]
Axis1看到包含第一列的值
h3['df']['axis1'][0:5]
阵列([1899317228611312163410 157607161224098,
但是,似乎没有来自第二列的数据。确实有另一列包含其他数据
h3['df']['block0_values'][0][0:5]
但这似乎与第二列中的任何数据都不对应
数组([128,41449,1,0],dtype=uint8(
目的
我最终尝试创建一个内存映射的数据存储,它使用特定的索引检索数据。
所以类似的东西
h3['df']['workingIndex'][22861131, 15760716]
将检索
[0, 48156, 154, 6304, 43611, 11, 9496, 8982, 1...],
[0, 40883, 4086, 11, 5, 18559, 1923, 1494, 4, ...
问题是您试图序列化Python列表的Pandas系列,但它不是矩形的(锯齿状(。
Pandas和HDF5主要用于矩形(立方体、超立方体等(数据,而不是锯齿状列表。
您在呼叫to_hdf()
时看到此警告了吗?
PerformanceWarning:
your performance may suffer as PyTables will pickle object types that it cannot
map directly to c-types [inferred_type->mixed,key->block0_values] [items->['Ids']]
它试图告诉你的是,列表列表并不能以直观、高性能的方式得到支持。如果您在输出文件上运行像h5dump
这样的HDF5可视化工具,您就会发现问题所在。该索引(表现良好(如下所示:
DATASET "axis1" {
DATATYPE H5T_STD_I64LE
DATASPACE SIMPLE { ( 5 ) / ( 5 ) }
DATA {
(0): 1899317, 22861131, 2163410, 15760716, 12244098
}
ATTRIBUTE "CLASS" {
DATA {
(0): "ARRAY"
}
}
但是值(列表列表(看起来是这样的:
DATASET "block0_values" {
DATATYPE H5T_VLEN { H5T_STD_U8LE}
DATASPACE SIMPLE { ( 1 ) / ( H5S_UNLIMITED ) }
DATA {
(0): (128, 5, 149, 164, ...)
}
ATTRIBUTE "CLASS" {
DATA {
(0): "VLARRAY"
}
}
ATTRIBUTE "PSEUDOATOM" {
DATA {
(0): "object"
}
}
正在发生的事情正是PerformanceWarning警告您的:
> PyTables will pickle object types that it cannot map directly to c-types
您的列表列表正在被腌制并存储为H5T_VLEN,它只是一个字节块。
以下是一些可以解决此问题的方法:
- 将每一行存储在HDF5中的一个单独键下。也就是说,每个列表都将存储为一个数组,并且它们都可以具有不同的长度。HDF5没有问题,因为它支持一个文件中任意数量的密钥
- 将数据更改为矩形,例如在较短的列表中填充零。请参阅:Pandas将列表的列拆分为多列
- 使用h5py以您喜欢的任何格式写入数据。它比Pandas/PyTables更灵活,可以创建更简单(但功能更强大(的HDF5文件。这里有一个例子(它显示h5py实际上可以存储锯齿状数组,尽管它并不漂亮(:用h5py存储多维可变长度数组