将通过Pandas/PyTables写入的大型hdf5数据集转换为vaex

Question

我有一个非常大的数据集，我通过append以块形式写入hdf5，如下所示：

with pd.HDFStore(self.train_store_path) as train_store:
    for filepath in tqdm(filepaths):
        with open(filepath, 'rb') as file:
            frame = pickle.load(file)

        if frame.empty:
            os.remove(filepath)
            continue

        try:
            train_store.append(
                key='dataset', value=frame,
                min_itemsize=itemsize_dict)
            os.remove(filepath)
        except KeyError as e:
            print(e)
        except ValueError as e:
            print(frame)
            print(e)
        except Exception as e:
            print(e) 

数据太大，无法加载到一个DataFrame中，因此我想尝试使用vaex进行进一步处理。不过有几件事我不太明白。

由于vaex在hdf5中使用了不同于pandas/pytables（VOTable）的表示形式，我想知道如何在这两种格式之间进行转换。我尝试将数据块加载到pandas中，将其转换为vaex数据帧，然后将其存储，但似乎没有办法将数据附加到现有的vaex hdf5文件中，至少我找不到。

真的没有办法从VAEX内部创建一个大的hdf5数据集吗？将现有数据集转换为VAEX的表示形式（通过python脚本或TOPCAT构造文件）是唯一的选择吗？

与我前面的问题相关，如果我在vaex中使用一个大的数据集，那么是否可以将我在vaex中应用的任何转换的结果持久化到hdf5文件中？

Answer 1

这种存储格式的问题是它不是基于列的，这不能很好地处理具有大量行的数据集，因为例如，如果只处理1列，OS可能也会读取其他列的大部分，并且CPU缓存也会因此受到污染。最好将它们存储为基于列的格式，如VAEX'hdf5格式或箭头格式。

转换到vaex数据帧可以使用以下方法完成：

import vaex
vaex_df = vaex.from_pandas(pandas_df, copy_index=False)

您可以对每个数据帧执行此操作，并将它们存储在磁盘上，如hdf5或箭头所示：

vaex_df.export('batch_1.hdf5')  # or 'batch_1.arrow'

df1 = vaex.open('batch_1.hdf5')
df2 = vaex.open('batch_2.hdf5')
df = vaex.concat([df1, df2]) # will be seen as 1 dataframe without mem copy
df_altnerative = vaex.open('batch*.hdf5')  # same effect, but only needs 1 line

如果您对dataframe进行转换，您可以写出计算值，或者获得包含以下转换的“状态”：

import vaex
df = vaex.example()
df['difference'] = df.x - df.y
# df.export('materialized.hdf5', column_names=['difference'])  # do this if IO is fast, and memory abundant
# state = df.state_get()  # get state in memory
df.state_write('mystate.json') # or write as json


import vaex
df = vaex.example()
# df.join(vaex.open('materialized.hdf5'))  # join on rows number (super fast, 0 memory use!)
# df.state_set(state)  # or apply the state from memory
df.state_load('mystate.json')  # or from disk
df