python - 如何仅将新索引附加到具有 HDFS 存储的表

Question

我将遍历许多数据帧以附加到 hdfs 存储中的表。索引将相互重叠。我只想附加存储中尚未包含索引的行。

---

MCVE

考虑我的数据框 d1 和 d2:

d1 = pd.DataFrame.from_dict(
    {('a', 'x'): {'col': 1}, ('a', 'y'): {'col': 1}}, orient='index')
d2 = pd.DataFrame.from_dict(
    {('b', 'x'): {'col': 2}, ('a', 'y'): {'col': 2}}, orient='index')

print(d1, '\n\n', d2)

     col
a x    1
  y    1 

      col
a y    2
b x    2

我想完成与以下相同的逻辑:

d1.append(d2.loc[d2.index.difference(d1.index)])

     col
a x    1
  y    1
b x    2

但我想要将其附加到 hdfs 存储。

我尝试过的

d1.to_hdf('test.h5', 'mytable', format='table')
d2.to_hdf('test.h5', 'mytable', append=True)

pd.read_hdf('test.h5', 'mytable')

     col
a x    1
  y    1
  y    2
b x    2

您可以看到索引 ('a', 'y') 与两个不同的值重复。我假设有一种方法可以在将新行附加到表之前检查表中的索引值。

Answer 1

首先初始化商店可能会有所帮助。然后，您应该能够将数据框分配给 mytable 并像在仅数据框示例中那样使用它。

store = pd.HDFStore('test.h5')

store['mytable'] = d1
store['mytable'].append(d2.loc[d2.index.difference(store['mytable'].index)])

     col
a x    1
  y    1
b x    2