次の例について考えてみます。
import string
import random
import pandas as pd
matrix = np.random.random((100, 3000))
my_cols = [random.choice(string.ascii_uppercase) for x in range(matrix.shape[1])]
mydf = pd.DataFrame(matrix, columns=my_cols)
mydf['something'] = 'hello_world'
store = pd.HDFStore('myfile.h5',complevel=9, complib='bzip2')
store['mydf'] = mydf
store.close()
mydf.to_csv('myfile.csv', sep=':')
結果は次のとおりです。
myfile.csv
は5.6 MB大きいmyfile.h5
は11 MB大きいデータセットが大きくなると、その差は大きくなります。
他の圧縮方法とレベルを試しました。これはバグですか? (私はPandas 0.11と最新の安定したバージョンのHDF5とPythonを使用しています)。
問題からの私の回答のコピー: https://github.com/pydata/pandas/issues/3651
あなたのサンプルは本当に小さすぎます。 HDF5には、かなり小さいサイズのオーバーヘッドがかなりあります(300kのエントリでも小さい方です)。次は、どちらの側にも圧縮がない場合です。フロートはバイナリで(テキスト表現として)より効率的に表現されます。
さらに、HDF5は行ベースです。幅は広すぎないがかなり長いテーブルを用意することで、効率が大幅に向上します。 (したがって、あなたの例はHDF5ではまったく効率的ではありません。この場合は転置して保存してください)
私は日常的に1,000万行以上のテーブルを使用しており、クエリ時間はミリ秒単位にすることができます。以下の例でも小さいです。 10 GB以上のファイルを持つことは非常に一般的です(10 GB以上が数秒である天文学者は言うまでもありません!)
-rw-rw-r-- 1 jreback users 203200986 May 19 20:58 test.csv
-rw-rw-r-- 1 jreback users 88007312 May 19 20:59 test.h5
In [1]: df = DataFrame(randn(1000000,10))
In [9]: df
Out[9]:
<class 'pandas.core.frame.DataFrame'>
Int64Index: 1000000 entries, 0 to 999999
Data columns (total 10 columns):
0 1000000 non-null values
1 1000000 non-null values
2 1000000 non-null values
3 1000000 non-null values
4 1000000 non-null values
5 1000000 non-null values
6 1000000 non-null values
7 1000000 non-null values
8 1000000 non-null values
9 1000000 non-null values
dtypes: float64(10)
In [5]: %timeit df.to_csv('test.csv',mode='w')
1 loops, best of 3: 12.7 s per loop
In [6]: %timeit df.to_hdf('test.h5','df',mode='w')
1 loops, best of 3: 825 ms per loop
In [7]: %timeit pd.read_csv('test.csv',index_col=0)
1 loops, best of 3: 2.35 s per loop
In [8]: %timeit pd.read_hdf('test.h5','df')
10 loops, best of 3: 38 ms per loop
私は本当にサイズを気にしません(私はあなたがそうではないのではないかと思いますが、興味があるだけで結構です) HDF5のポイントは、ディスクは安価で、CPUは安価ですが、すべてを一度にメモリに格納することはできないため、チャンキングを使用して最適化します。