附带条件将HDF5文件读取到Pandas DataFrame

Question

我有一个巨大的HDF5文件，我想将其中的一部分加载到pandas DataFrame中以执行一些操作，但是我对过滤某些行感兴趣。

我可以用一个例子更好地解释：

原始的HDF5文件如下所示：

A    B    C    D
1    0    34   11
2    0    32   15
3    1    35   22
4    1    34   15
5    1    31   9
1    0    34   15
2    1    29   11
3    0    34   15
4    1    12   14
5    0    34   15
1    0    32   13
2    1    34   15
etc  etc  etc  etc

我想做的就是将其完全加载到pandas Dataframe中，但仅 where A==1 or 3 or 4

到目前为止，我可以使用以下命令加载整个HDF5：

store = pd.HDFStore('Resutls2015_10_21.h5')
df = pd.DataFrame(store['results_table'])

我where在这里看不到如何包含条件。

Answer 1

该hdf5文件必须以table格式（而不是fixed格式）编写，以便可以使用pd.read_hdf的where参数进行查询。

此外，A必须声明为data_column：

df.to_hdf('/tmp/out.h5', 'results_table', mode='w', data_columns=['A'],
          format='table')

或者，将所有列指定为（可查询的）数据列：

df.to_hdf('/tmp/out.h5', 'results_table', mode='w', data_columns=True,
          format='table')

那你可以用

pd.read_hdf('/tmp/out.h5', 'results_table', where='A in [1,3,4]')

选择值列为A1、3或4的行。例如，

import numpy as np
import pandas as pd

df = pd.DataFrame({
    'A': [1, 2, 3, 4, 5, 1, 2, 3, 4, 5, 1, 2],
    'B': [0, 0, 1, 1, 1, 0, 1, 0, 1, 0, 0, 1],
    'C': [34, 32, 35, 34, 31, 34, 29, 34, 12, 34, 32, 34],
    'D': [11, 15, 22, 15, 9, 15, 11, 15, 14, 15, 13, 15]})

df.to_hdf('/tmp/out.h5', 'results_table', mode='w', data_columns=['A'],
          format='table')

print(pd.read_hdf('/tmp/out.h5', 'results_table', where='A in [1,3,4]'))

产量

    A  B   C   D
0   1  0  34  11
2   3  1  35  22
3   4  1  34  15
5   1  0  34  15
7   3  0  34  15
8   4  1  12  14
10  1  0  32  13

如果值列表很长vals，则可以使用字符串格式来组成正确的where参数：

where='A in {}'.format(vals)