python - pandas - 如何仅将 DataFrame 的选定列保存到 HDF5

Question

我正在读取一个 csv 示例文件并将其存储在 .h5 数据库中。 .csv 的结构如下:

User_ID;Longitude;Latitude;Year;Month;String
267261661;-3.86580025;40.32170825;2013;12;hello world
171255468;-3.83879575;40.05035005;2013;12;hello world
343588169;-3.70759531;40.4055946;2014;2;hello world
908779052;-3.8356385;40.1249459;2013;8;hello world
289540518;-3.6723114;40.3801642;2013;11;hello world
635876313;-3.8323166;40.3379393;2012;10;hello world
175160914;-3.53687933;40.35101274;2013;12;hello world 
155029860;-3.68555076;40.47688417;2013;11;hello world

我将其与 pandas to_hdf 一起放在 .h5 商店中，选择仅将几列传递给 .h5:

import pandas as pd

df = pd.read_csv(filename + '.csv', sep=';')

df.to_hdf('test.h5','key1',format='table',data_columns=['User_ID','Year'])

我使用 HDFStore 和 read_hdf 在存储在 .h5 文件中的列中获得了不同的结果，特别是:

store = pd.HDFStore('test.h5')
>>> store
>>> <class 'pandas.io.pytables.HDFStore'>
File path: /test.h5
/key1            frame_table  (typ->appendable,nrows->8,ncols->6,indexers->[index],dc->[User_ID,Year])

这是我所期望的(只有“User_ID”和“Year”列存储在数据库中)，尽管 ncols->6 意味着实际上所有列都已存储在 .h5 文件中。

如果我尝试使用 pd.read_hdf 读取文件:

hdf = pd.read_hdf('test.h5','key1')

并索要 key :

hdf.keys()
>>> Index([u'User_ID', u'Longitude', u'Latitude', u'Year', u'Month', u'String'], dtype='object')

这不是我所期望的，因为原始 .csv 文件的所有列仍在 .h5 数据库中。如何在 .h5 中仅存储选定的列以减小数据库的大小？

感谢您的帮助。

Answer 1

只需在写入文件时选择列即可。

cols_to_keep = ['User_ID', 'Year']
df.loc[:, cols_to_keep].to_hdf(...)