合計84GBの1億行のCSVファイル(実際には多くの個別のCSVファイル)があります。単一のフロートデータセットを持つHDF5ファイルに変換する必要があります。私はh5pyを問題なくテストに使用しましたが、今ではメモリが不足しないと最終的なデータセットを実行できません。
データセット全体をメモリに保存せずにHDF5に書き込むにはどうすればよいですか?ここでは実際のコードを期待しています。これは非常にシンプルなはずだからです。
pytablesを調べただけですが、配列クラス(HDF5データセットに対応)を繰り返し書き込むことができるようには見えません。同様に、pandasにはread_csv
およびto_hdf
メソッドのio_tools
、ただし、一度にデータセット全体をロードすることはできないため、機能しません。おそらく、pytablesまたはpandasの他のツールを使用して、問題を正しく解決するのを手伝うことができます。
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'))
利回り
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
テーブルを追加可能にするには、format='table'
への最初の呼び出しでdf.to_hdf
を使用する必要があることに注意してください。それ以外の場合、形式はデフォルトで'fixed'
になり、読み取りと書き込みは高速になりますが、追加できないテーブルが作成されます。
したがって、各CSVを一度に1つずつ処理し、append=True
を使用してhdf5ファイルを作成できます。次に、DataFrameを上書きするか、del df
を使用して、古いDataFrameのガベージコレクションを許可します。
または、df.to_hdf
を呼び出す代わりに、 HDFStoreに追加 :
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()
利回り
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
これはPyTablesで可能になるはずです。ただし、 EArray クラスを使用する必要があります。
例として、以下は、.npy
ファイルとして保存されたチャンク化されたトレーニングデータを単一の.h5
ファイルにインポートするために記述したスクリプトです。
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)))
詳細な手順についてはドキュメントをご覧ください。ただし、非常に簡単に、create_earray
関数は1)データルートまたは親ノードを取ります。 2)配列名。 3)データ型アトム; 4)展開するディメンションに0
を持つ図形。 5)詳細な記述子; 6)a 圧縮フィルター ; 7)拡張可能ディメンションに沿った予想行数。最初の2つだけが必要ですが、おそらく実際には7つすべてを使用します。この関数は、他のいくつかのオプションの引数も受け入れます。再度、詳細についてはドキュメントを参照してください。
配列が作成されたら、そのappend
メソッドを期待どおりに使用できます。