从pandas.HDFStore选项卡中选择列

Question

如何从pandas HDFStore检索特定列？我经常处理非常大的数据集，这些数据集太大，无法在内存中操作。我想迭代地读取csv文件，将每个块追加到HDFStore对象中，然后处理数据的子集。我已经读入了一个简单的csv文件，并用以下代码将其加载到HDFStore中：

tmp = pd.HDFStore('test.h5')
chunker = pd.read_csv('cars.csv', iterator=True, chunksize=10, names=['make','model','drop'])
tmp.append('df', pd.concat([chunk for chunk in chunker], ignore_index=True))

以及输出：

In [97]: tmp
Out[97]:
<class 'pandas.io.pytables.HDFStore'>
File path: test.h5
/df     frame_table (typ->appendable,nrows->1930,indexers->[index])

我的问题是如何访问tmp['df']中的特定列？文档提到了一个select()方法和一些Term对象。所提供的示例应用于面板数据；但是，我是一个新手，无法将其扩展到更简单的数据帧情况。我的猜测是我必须以某种方式创建列的索引。谢谢！

Answer 1

您可以使用列的索引存储dataframe，如下所示：

import pandas as pd
import numpy as np
from pandas.io.pytables import Term

index = pd.date_range('1/1/2000', periods=8)
df = pd.DataFrame( np.random.randn(8,3), index=index, columns=list('ABC'))  

store = pd.HDFStore('mydata.h5')
store.append('df_cols', df, axes='columns')

然后根据您的希望选择：

In [8]: store.select('df_cols', [Term('columns', '=', 'A')])
Out[8]: 
2000-01-01    0.347644
2000-01-02    0.477167
2000-01-03    1.419741
2000-01-04    0.641400
2000-01-05   -1.313405
2000-01-06   -0.137357
2000-01-07   -1.208429
2000-01-08   -0.539854

其中：

In [9]: df
Out[9]: 
                   A         B         C
2000-01-01  0.347644  0.895084 -1.457772
2000-01-02  0.477167  0.464013 -1.974695
2000-01-03  1.419741  0.470735 -0.309796
2000-01-04  0.641400  0.838864 -0.112582
2000-01-05 -1.313405 -0.678250 -0.306318
2000-01-06 -0.137357 -0.723145  0.982987
2000-01-07 -1.208429 -0.672240  1.331291
2000-01-08 -0.539854 -0.184864 -1.056217

是的。

对我来说，这不是一个理想的解决方案，因为我们只能通过一件事来索引数据帧！令人担忧的是，the docs似乎建议您可以只通过一件事索引一个数据帧，至少使用axes：

Pass the axes keyword with a list of dimension (currently must by exactly 1 less than the total dimensions of the object).

我可能读错了，希望有人能证明我错了！

是的。

注意：我发现用两种方法（索引和列）索引数据帧的一种方法是将其转换为一个面板，然后面板可以使用两个索引进行检索。但是，每次检索项目时，我们都必须将选定的子面板转换为数据帧。。。再说一次，不太理想。