PyTables 读取随机子集

Question

是否可以从 HDF5 中读取随机的行子集（通过 pyTables 或者最好是 pandas）？我有一个包含数百万行的非常大的数据集，但只需要几千个样本进行分析。那么从压缩的 HDF 文件中读取呢？

Answer 1

使用HDFStore的文档是here，压缩文档是here

0.13 支持通过构造索引进行随机访问

In [26]: df = DataFrame(np.random.randn(100,2),columns=['A','B'])

In [27]: df.to_hdf('test.h5','df',mode='w',format='table')

In [28]: store = pd.HDFStore('test.h5')

In [29]: nrows = store.get_storer('df').nrows

In [30]: nrows
Out[30]: 100

In [32]: r = np.random.randint(0,nrows,size=10)

In [33]: r
Out[33]: array([69, 28,  8,  2, 14, 51, 92, 25, 82, 64])

In [34]: pd.read_hdf('test.h5','df',where=pd.Index(r))
Out[34]: 
           A         B
69 -0.370739 -0.325433
28  0.155775  0.961421
8   0.101041 -0.047499
2   0.204417  0.470805
14  0.599348  1.174012
51  0.634044 -0.769770
92  0.240077 -0.154110
25  0.367211 -1.027087
82 -0.698825 -0.084713
64 -1.029897 -0.796999

[10 rows x 2 columns]

要包含附加条件，您可以这样做：

# make sure that we have indexable columns
df.to_hdf('test.h5','df',mode='w',format='table',data_columns=True)

# select where the index (an integer index) matches r and A > 0
In [14]: r
Out[14]: array([33, 51, 33, 95, 69, 21, 43, 58, 58, 58])

In [13]: pd.read_hdf('test.h5','df',where='index=r & A>0')
Out[13]: 
           A         B
21  1.456244  0.173443
43  0.174464 -0.444029

[2 rows x 2 columns]