尝试通过使用h5py更改索引字段类型来缩小HDF5文件的大小

Question

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， 60.32909393310547,0.29499998688697815,0,011-127.92676544189453,60.2998046875,0.29499998688697815,0,0,0 -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

我想使用库h5py将此CSV文件转换为HDF5格式，同时通过设置字段/索引类型i.G来降低总文件大小。他说：

将posX，posY和posZ保存为float32。将eventID，parentID和clockTime保存为int32或沿这些行的某些内容。

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。

但是我无法得到希望的结果。到目前为止我尝试过：使用Pandas自己的方法遵循本指南：How to write a large csv file to hdf5 in python?这会创建文件，但我无法改变类型，文件仍然太大（~10.7Gb）。字段类型是float64和int64。

在尝试使用增量之前，我还尝试将CS​​V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。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，同时还更改每个索引的变量类型。

如果有什么不清楚请请我澄清。我还是初学者！

Answer 1

你考虑过numpy模块吗？它有一个方便的功能（genfromtxt）来读取带有标题的CSV数据到Numpy数组。您定义dtype。该阵列适用于使用h5py.create_dataset()功能加载到HDF5中。

见下面的代码。我收录了2份印刷文件。第一个显示从CSV标头创建的dtype名称。第二部分显示了如何通过字段（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()