我试图从大约1 GB的HDFStore表中选择任意行。 RAM使用爆炸时，我问大约50个随机行。
我使用熊猫0-11-dev, python 2.7, linux64 。
在第一种情况下的内存使用适合的大小chunk
with pd.get_store("train.h5",'r') as train:
for chunk in train.select('train',chunksize=50):
pass
在第二种情况下，它似乎是整个表加载到RAM
r=random.choice(400000,size=40,replace=False)
train.select('train',pd.Term("index",r))
在后一种情况下，内存使用符合等价chunk大小
r=random.choice(400000,size=30,replace=False)
train.select('train',pd.Term("index",r))
我百思不得其解，为什么从30到40的随机行动诱导RAM的使用这样的急剧增加。
注意表中已被索引创建这样当该索引=范围（NROWS（表）），使用以下代码：
def txtfile2hdfstore(infile, storefile, table_name, sep="\t", header=0, chunksize=50000 ):
max_len, dtypes0 = txtfile2dtypes(infile, sep, header, chunksize)
with pd.get_store( storefile,'w') as store:
for i, chunk in enumerate(pd.read_table(infile,header=header,sep=sep,chunksize=chunksize, dtype=dict(dtypes0))):
chunk.index= range( chunksize*(i), chunksize*(i+1))[:chunk.shape[0]]
store.append(table_name,chunk, min_itemsize={'values':max_len})
感谢您的见解
编辑来回答Zelazny7
这里是我以前写Train.csv到train.h5文件。 我写的Zelazny7的代码使用这个元素如何麻烦拍摄HDFStore例外：无法找到正确的原子类型
import pandas as pd
import numpy as np
from sklearn.feature_extraction import DictVectorizer
def object_max_len(x):
if x.dtype != 'object':
return
else:
return len(max(x.fillna(''), key=lambda x: len(str(x))))
def txtfile2dtypes(infile, sep="\t", header=0, chunksize=50000 ):
max_len = pd.read_table(infile,header=header, sep=sep,nrows=5).apply( object_max_len).max()
dtypes0 = pd.read_table(infile,header=header, sep=sep,nrows=5).dtypes
for chunk in pd.read_table(infile,header=header, sep=sep, chunksize=chunksize):
max_len = max((pd.DataFrame(chunk.apply( object_max_len)).max(),max_len))
for i,k in enumerate(zip( dtypes0[:], chunk.dtypes)):
if (k[0] != k[1]) and (k[1] == 'object'):
dtypes0[i] = k[1]
#as of pandas-0.11 nan requires a float64 dtype
dtypes0.values[dtypes0 == np.int64] = np.dtype('float64')
return max_len, dtypes0
def txtfile2hdfstore(infile, storefile, table_name, sep="\t", header=0, chunksize=50000 ):
max_len, dtypes0 = txtfile2dtypes(infile, sep, header, chunksize)
with pd.get_store( storefile,'w') as store:
for i, chunk in enumerate(pd.read_table(infile,header=header,sep=sep,chunksize=chunksize, dtype=dict(dtypes0))):
chunk.index= range( chunksize*(i), chunksize*(i+1))[:chunk.shape[0]]
store.append(table_name,chunk, min_itemsize={'values':max_len})
作为应用
txtfile2hdfstore('Train.csv','train.h5','train',sep=',')
