简短的问题
当Pandas在HDFStore上工作时(例如:.mean()或.apply()),它是否将内存中的完整数据作为DataFrame加载,还是作为Serie逐个记录处理?
详细说明
我必须处理大数据文件,我可以指定数据文件的输出格式 .
我打算使用Pandas处理数据,我想设置最佳格式,以便最大化性能 .
我已经看到panda.read_table()已经走了很长一段路,但它仍然至少需要与我们想要读取的原始文件大小一样多的内存(实际上至少是内存的两倍)才能转换为DataFrame . 这可能适用于高达1 GB但高于1 GB的文件?这可能很难,特别是在在线共享机器上 .
但是,我已经看到现在Pandas似乎支持使用pytables的HDF表 .
我的问题是:当我们在整个HDF表上进行操作时,Pandas如何管理内存?例如.mean()或.apply() . 它是首先在DataFrame中加载整个表,还是直接从HDF文件处理数据而不存储在内存中?
问题:硬盘使用的hdf5格式是否紧凑?我的意思是,它像xml一样冗长或更像JSON吗? (我知道有索引和东西,但我在这里对数据的简单描述感兴趣)
1 回答
我想我找到了答案:是和否,这取决于你如何加载你的Pandas DataFrame .
与read_table()方法一样,您有一个"iterator"参数,它允许获取一次只能获得一条记录的生成器对象,如下所述:http://pandas.pydata.org/pandas-docs/dev/io.html#iterator
现在,我不知道像.mean()和.apply()这样的函数如何与这些生成器一起使用 .
如果有人有更多信息/经验,请随时分享!
关于HDF5开销:
http://pytables.github.com/usersguide/optimization.html