Pandas "Group By“查询HDFStore中的大数据？
Pandas "Group By“查询HDFStore中的大数据？
提问于 2013-04-04 05:11:04
在一个超过60列的HDFStore中，我有大约700万行。数据太多了，我放不进内存。我希望根据列"A“的值将数据聚合到组中。pandas splitting/aggregating/combining的文档假设我已经将所有数据放在一个DataFrame中，但是我不能将整个存储读取到内存中的DataFrame中。在HDFStore中对数据进行分组的正确方法是什么
回答 1
Stack Overflow用户
回答已采纳
发布于 2013-04-04 08:00:20
这里有一个完整的例子。
import numpy as np
import pandas as pd
import os
fname = 'groupby.h5'
# create a frame
df = pd.DataFrame({'A': ['foo', 'foo', 'foo', 'foo',
'bar', 'bar', 'bar', 'bar',
'foo', 'foo', 'foo'],
'B': ['one', 'one', 'one', 'two',
'one', 'one', 'one', 'two',
'two', 'two', 'one'],
'C': ['dull', 'dull', 'shiny', 'dull',
'dull', 'shiny', 'shiny', 'dull',
'shiny', 'shiny', 'shiny'],
'D': np.random.randn(11),
'E': np.random.randn(11),
'F': np.random.randn(11)})
# create the store and append, using data_columns where I possibily
# could aggregate
with pd.get_store(fname) as store:
store.append('df',df,data_columns=['A','B','C'])
print "store:\n%s" % store
print "\ndf:\n%s" % store['df']
# get the groups
groups = store.select_column('df','A').unique()
print "\ngroups:%s" % groups
# iterate over the groups and apply my operations
l = []
for g in groups:
grp = store.select('df',where = [ 'A=%s' % g ])
# this is a regular frame, aggregate however you would like
l.append(grp[['D','E','F']].sum())
print "\nresult:\n%s" % pd.concat(l, keys = groups)
os.remove(fname)输出
store:
<class 'pandas.io.pytables.HDFStore'>
File path: groupby.h5
/df frame_table (typ->appendable,nrows->11,ncols->6,indexers->[index],dc->[A,B,C])
df:
A B C D E F
0 foo one dull -0.815212 -1.195488 -1.346980
1 foo one dull -1.111686 -1.814385 -0.974327
2 foo one shiny -1.069152 -1.926265 0.360318
3 foo two dull -0.472180 0.698369 -1.007010
4 bar one dull 1.329867 0.709621 1.877898
5 bar one shiny -0.962906 0.489594 -0.663068
6 bar one shiny -0.657922 -0.377705 0.065790
7 bar two dull -0.172245 1.694245 1.374189
8 foo two shiny -0.780877 -2.334895 -2.747404
9 foo two shiny -0.257413 0.577804 -0.159316
10 foo one shiny 0.737597 1.979373 -0.236070
groups:Index([bar, foo], dtype=object)
result:
bar D -0.463206
E 2.515754
F 2.654810
foo D -3.768923
E -4.015488
F -6.110789
dtype: float64一些注意事项：
1)如果你的群体密度相对较低，这种方法是有意义的。成百上千的群体。如果你得到了更多，那么就会有更有效(但更复杂)的方法，并且你正在应用的函数(在本例中是sum)会变得更加严格。
从本质上讲，您将按块迭代整个存储，随着时间的推移进行分组，但只保持组的半折叠(想象一下做一个平均值，因此您需要保持一个运行总数加上一个运行计数，然后在结束时除以)。因此，一些操作可能会有点棘手，但可能会处理许多组(而且速度非常快)。
2)可以通过保存坐标来提高效率(例如，组位置，但这有点复杂)
3)使用该方案不能进行多分组(这是可能的，但需要更类似于上述2的方法)
4)要分组的列必须是data_column！
5)你可以在select btw中组合你想要的任何其他过滤器(这是做多分组btw的一种简单的方式，你只需要在它们的乘积上形成两个唯一的组和迭代器列表，如果你有很多组，效率不是非常高，但可以工作)
HTH
如果这对你有效，请告诉我
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/15798209
复制相关文章
相似问题