- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
这个问题的基础是我正在使用 celery
和 rabbitmq
创建一个分布式 HDFStore 消息传递应用程序,该应用程序将把 pandas DataFrame 传递给分布式进程(然后写入 HDFStore)。因为 json
是 task serialization protocols 之一celery
接受的 pandas
的 to_json()
和 read_json()
功能非常适合完成此任务。
所以我的应用程序:
pandas.DataFrame
to_json()
序列化 DataFrame
celery
工作线程 celery.group
方法在另一侧重新创建 DataFrame
我发现当我创建 HDFStore 时,它们比我只执行 for
循环并且没有序列化/反序列化对象(使用 json)时大 50 倍以上。因此,我将 celery 从中取出,并用一个非常简单的函数重新创建了它,从而重现了这种现象:
import numpy
import pandas
import random
def test_store_size(n_dfs, f_path):
wj_store = pandas.HDFStore(f_path + 'from_json.h5', mode = 'w')
nj_store = pandas.HDFStore(f_path + 'from_dfrm.h5', mode = 'w')
ticks = []
for i in numpy.arange(n_dfs):
tag = _rnd_letters(5)
print "working on " + str(i)
index = pandas.DatetimeIndex(
start = '01/01/2000',
periods = 1000,
freq = 'b'
)
df = pandas.DataFrame(
numpy.random.rand(len(index), 3),
columns = ['a', 'b', 'c'],
index = index
)
nj_store[tag] = df
stream = df.to_json(
orient = 'index',
date_format = 'iso',
)
#stream = df.to_json(orient = 'values')
wj_df = pandas.read_json(
stream,
typ = 'frame',
orient = 'index',
dtype = _dtype_cols(df)
)
#wj_df = pandas.read_json(stream, convert_dates = False, orient = 'values')
wj_store[tag] = wj_df
wj_store.close()
nj_store.close()
def _rnd_letters(n_letters):
"""Make random tags for the DataFrames"""
s = 'abcdefghijklmnopqrstuvwxyz'
return reduce(lambda x, y: x + y, [random.choice(s) for i in numpy.arange(n_letters)])
def _dtype_cols(df):
"""map the types for dytpes"""
cols = df.columns.tolist()
return dict([(col, numpy.float) for col in cols])
因此,如果您运行以下函数:
In [1]: test_store_size(n_dfs = 10, f_path = '/Users/benjamingross/Desktop/tq-')
以下是 HDFStore
之间的差异:
所以 21.4 MB 比 365 KB 大 59 倍!!!我正在处理 1,000 个 DataFrame,因此我的硬盘驱动器上看起来很小的空间 (400MB) 原来是 24 GB,这现在是一个“大数据”问题(并且不应该是)。
任何帮助使用 to_json
和 read_json
进行序列化以“表现”(即序列化前后大小相同)将不胜感激。
我已经尝试了to_json/read_json
中的所有不同参数,包括orient =values
,它几乎有效,但随后我需要序列化索引
和列
,当 re-created in very creative ways 时仍然最终变为原始尺寸的 60 倍。
最佳答案
如果您回顾一下程序的输出,您可能会收到如下消息:
In [7]: wj_df.to_hdf('test.h5', 'key')
PerformanceWarning:
your performance may suffer as PyTables will pickle object types that it cannot
map directly to c-types [inferred_type->unicode,key->axis0] [items->None]
这不是特别明显,但是您的列名被读回为 unicode 而不是 python 字符串 - PyTables 在 python2 中不能很好地处理,因此它会退回到 pickling。一个相对简单的解决方法是将列转换为字符串,如下所示。
wj_df.columns = wj_df.columns.astype(str)
GitHub 上有一个针对以下问题的问题。
关于python - `pandas to_json` 和 `read_json` 之间的文件大小差异较大,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/32238554/
我需要修复 getLineNumberFor 方法,以便如果 lastName 的第一个字符位于 A 和 M 之间,则返回 1;如果它位于 N 和 Z 之间,则返回 2。 在我看来听起来很简单,但我不
您好,感谢您的帮助!我有这个: 0 我必须在每次点击后增加“pinli
Javascript 中是否有一种方法可以在不使用 if 语句的情况下通过 switch case 结构将一个整数与另一个整数进行比较? 例如。 switch(integer) { case
我有一列是“日期”类型的。如何在自定义选项中使用“之间”选项? 最佳答案 请注意,您有2个盒子。 between(在SQL中)包含所有内容,因此将框1设置为:DATE >= startdate,将框2
我有一个表,其中包含年、月和一些数字列 Year Month Total 2011 10 100 2011 11 150 2011 12 100 20
这个问题已经有答案了: Extract a substring between double quotes with regular expression in Java (2 个回答) how to
我有一个带有类别的边栏。正如你在这里看到的:http://kees.een-site-bouwen.nl/ url 中类别的 ID。带有 uri 段(3)当您单击其中一个类别时,例如网页设计。显示了一
这个问题在这里已经有了答案: My regex is matching too much. How do I make it stop? [duplicate] (5 个答案) 关闭 4 年前。 我
我很不会写正则表达式。 我正在尝试获取括号“()”之间的值。像下面这样的东西...... $a = "POLYGON((1 1,2 2,3 3,1 1))"; preg_match_all("/\((
我必须添加一个叠加层 (ImageView),以便它稍微移动到包含布局的左边界的左侧。 执行此操作的最佳方法是什么? 尝试了一些简单的方法,比如将 ImageView 放在布局中并使用负边距 andr
Rx 中是否有一些扩展方法来完成下面的场景? 我有一个开始泵送的值(绿色圆圈)和其他停止泵送的值(簧片圆圈),蓝色圆圈应该是预期值,我不希望这个命令被取消并重新创建(即“TakeUntil”和“Ski
我有一个看起来像这样的数据框(Dataframe X): id number found 1 5225 NA 2 2222 NA 3 3121 NA 我有另一个看起来
所以,我正在尝试制作正则表达式,它将解析存储在对象中的所有全局函数声明,例如,像这样 const a = () => {} 我做了这样的事情: /(?:const|let|var)\s*([A-z0-
我正在尝试从 Intellivision 重新创建 Astro-Smash,我想让桶保持在两个 Angular 之间。我只是想不出在哪里以及如何让这个东西停留在两者之间。 我已经以各种方式交换了函数,
到处检查但找不到答案。 我有这个页面,我使用 INNER JOIN 将两个表连接在一起,获取它们的值并显示它们。我有这个表格,用来获取变量(例如开始日期、结束日期和卡号),这些变量将作为从表中调用值的
我陷入了两个不同的问题/错误之间,无法想出一个合适的解决方案。任何帮助将不胜感激 上下文、FFI 和调用大量 C 函数,并将 C 类型包装在 rust 结构中。 第一个问题是ICE: this pat
我在 MySQL 中有一个用户列表,在订阅时,时间戳是使用 CURRENT_TIMESTAMP 在数据库中设置的。 现在我想从此表中选择订阅日期介于第 X 天和第 Y 天之间的表我尝试了几个查询,但不
我的输入是开始日期和结束日期。我想检查它是在 12 月 1 日到 3 月 31 日之间。(年份可以更改,并且只有在此期间内或之外的日期)。 到目前为止,我还没有找到任何关于 Joda-time 的解决
我正在努力了解线程与 CPU 使用率的关系。有很多关于线程与多处理的讨论(一个很好的概述是 this answer )所以我决定通过在运行 Windows 10、Python 3.4 的 8 CPU
我正在尝试编写 PHP 代码来循环遍历数组以创建 HTML 表格。我一直在尝试做类似的事情: fetchAll(PDO::FETCH_ASSOC); ?>
我是一名优秀的程序员,十分优秀!