我有一个非常大的 CSV 文件(~12Gb),看起来像这样:
posX,posY,posZ,eventID,parentID,clockTime -117.9853515625,60.2998046875,0.29499998688697815,0,0,0 -117.9853515625,60.32909393310547,0.29499998688697815,0,0,0 -117.9560546875,60.2998046875,0.29499998688697815,0,0,0 -117.9560546875,60.32909393310547,0.29499998688697815,0,0,0 -117.92676544189453,60.2998046875,0.29499998688697815,0,0,0 -117.92676544189453,60.32909393310547,0.29499998688697815,0,0,0 -118.04051208496094,60.34012985229492,4.474999904632568,0,0,0 -118.04051208496094,60.36941909790039,4.474999904632568,0,0,0 -118.04051208496094,60.39870834350586,4.474999904632568,0,0,0
我想使用 h5py 库将此 CSV 文件转换为 HDF5 格式,同时通过设置字段/索引类型来降低总文件大小。说:
将 posX、posY 和 posZ 保存为 float32。将 eventID、parentID 和 ClockTime 保存为 int32 或类似的内容。
注意:当我读入数据时,我需要以某种形式对数据进行分块以避免内存错误。
但是我无法获得想要的结果。到目前为止我已经尝试过: 按照本指南使用 Pandas 自己的方法:How to write a large csv file to hdf5 in python? 这会创建文件,但不知何故无法更改类型,并且文件仍然太大(~10.7Gb)。字段类型为 float64 和 int64。
在处理增量之前,我还尝试将 CSV 拆分为多个部分(使用 split -n x myfile.csv)。我在每个文件的开头和结尾都遇到了一些数据错误,我可以通过使用 sed 删除所述行来修复这些错误。然后我尝试了以下代码:
import pandas as pd
import h5py
PATH_csv = "/home/MYNAME/Documents/Workfolder/xaa" #xaa is my csv increment
DATA_csv = pd.read_csv(PATH_csv)
with h5py.File("pct_data-hdf5.h5", "a") as DATA_hdf:
dset = DATA_hdf.create_dataset("posX", data=DATA_csv["posX"], dtype="float32")
遗憾的是,这创建了文件和表,但没有向其中写入任何数据。
期望 创建包含大型 CSV 文件数据的 HDF5 文件,同时更改每个索引的变量类型。
如果有不清楚的地方,请向我询问。我还是个初学者!
最佳答案
您考虑过numpy
模块吗?
它有一个方便的函数(genfromtxt
),可以将带标题的 CSV 数据读取到 Numpy 数组中。您定义数据类型。该数组适合使用 h5py.create_dataset()
函数加载到 HDF5 中。
请参阅下面的代码。我附上了 2 份打印声明。第一个显示从 CSV header 创建的数据类型名称。第二个展示了如何通过字段(列)名称访问 numpy 数组中的数据。
import h5py
import numpy as np
PATH_csv = 'SO_55576601.csv'
csv_dtype= ('f8', 'f8', 'f8', 'i4', 'i4', 'i4' )
csv_data = np.genfromtxt(PATH_csv, dtype=csv_dtype, delimiter=',', names=True)
print (csv_data.dtype.names)
print (csv_data['posX'])
with h5py.File('SO_55576601.h5', 'w') as h5f:
dset = h5f.create_dataset('CSV_data', data=csv_data)
h5f.close()
关于python - 尝试通过使用 h5py 更改索引字段类型来缩小 HDF5 文件的大小,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55576601/