Pandas read_hdf数値以外のデータに対して非常に遅い

Question

pandas.read_hdf()で大きなhdfファイルを読み込むと、読み込み時間が非常に遅くなります。私のhdfには5千万の行があり、3列には整数が、2行には文字列があります。 to_hdf()で表形式と索引付けを使用してこれを書くことは、ほぼ10分かかりました。これも遅いですが、私は読書のスピードが重要なのであまり心配していません。

私は、圧縮の有無にかかわらず、固定/テーブル形式で保存しようとしましたが、読み取り時間の範囲は2〜5分です。これと比較すると、同じデータ上のread_csv()には4分かかります。

私はpytablesを使ってhdfを直接読み込もうとしました。これは6秒ではるかに速く、これは私が見たいと思う速さです。

h5file = tables.open_file("data.h5", "r") 
table = h5file.root.data.table.read() 

私は、ドキュメント内のすべての速度の比較が数値データのみを使用していることに気がつき、同様のパフォーマンスを達成しました。

私は読取りパフォーマンスを最適化するためにできることがあるかどうか質問したいと思います。ここで

編集

は、データフレームの

   col_A  col_B col_C  col_D     col_E 
30649671 1159660800 10217383  0 10596000    LACKEY 
26198715 1249084800 0921720  0   0   KEY CLIFTON 
19251910 752112000 0827092  104 243000    WEMPLE 
47636877 1464739200 06247715  0   0     FLOYD 
14121495 1233446400 05133815  0 988000  OGU ALLYN CH 9 
41171050 1314835200 7C140009  0  39000    DEBERRY A 
45865543 1459468800 0314892  76 254000    SABRINA 
13387355 970358400 04140585  19 6956000    LA PERLA 
4186815 849398400 02039719  0 19208000 NPU UNIONSPIELHAGAN1 
32666568 733622400 10072006  0 1074000     BROWN 

とInfoデータのサンプルです：

はサンプルの生成：ここ

<class 'pandas.core.frame.DataFrame'> 
RangeIndex: 52046850 entries, 0 to 52046849 
Data columns (total 5 columns): 
col_A  int64 
col_B  object 
col_C  int64 
col_D  int64 
col_E  object 
dtypes: int64(3), object(2) 
memory usage: 1.9+ GB 

Answer 1

は小さなデモですDF（1M行）：

N = 10**6 

df = pd.DataFrame({ 
    'n1': np.random.randint(10**6, size=N), 
    'n2': np.random.randint(10**6, size=N), 
    'n3': np.random.randint(10**6, size=N), 
    's1': pd.util.testing.rands_array(10, size=N), 
    's2': pd.util.testing.rands_array(40, size=N), 
}) 

さんは読書

CSV、HDF5（固定、テーブルとテーブル+ data_columns=True）にしてFeather形式でディスクに

df.to_csv(r'c:/tmp/test.csv', index=False) 
df.to_hdf(r'c:/tmp/test_fix.h5', 'a') 
df.to_hdf(r'c:/tmp/test_tab.h5', 'a', format='t') 
df.to_hdf(r'c:/tmp/test_tab_idx.h5', 'a', format='t', data_columns=True) 

import feather 
feather.write_dataframe(df, 'c:/tmp/test.feather') 

それを書いてみましょう：

In [2]: %timeit pd.read_csv(r'c:/tmp/test.csv') 
1 loop, best of 3: 4.48 s per loop 

In [3]: %timeit pd.read_hdf(r'c:/tmp/test_fix.h5','a') 
1 loop, best of 3: 1.24 s per loop 

In [4]: %timeit pd.read_hdf(r'c:/tmp/test_tab.h5','a') 
1 loop, best of 3: 5.65 s per loop 

In [5]: %timeit pd.read_hdf(r'c:/tmp/test_tab_idx.h5','a') 
1 loop, best of 3: 5.6 s per loop 

In [6]: %timeit feather.read_dataframe(r'c:/tmp/test.feather') 
1 loop, best of 3: 589 ms per loop 

条件読書 - のが唯一の選択してみましょうこれらの行n2 <= 100000

In [7]: %timeit pd.read_hdf(r'c:/tmp/test_tab_idx.h5','a', where="n2 <= 100000") 
1 loop, best of 3: 1.18 s per loop 

我々は（フィルタリング後）を選択する必要が少ないデータは - 速く、それは次のようになります。

In [8]: %timeit pd.read_hdf(r'c:/tmp/test_tab_idx.h5','a', where="n2 <= 100000 and n1 > 500000") 
1 loop, best of 3: 763 ms per loop 

In [10]: %timeit pd.read_hdf(r'c:/tmp/test_tab_idx.h5','a', where="n2 <= 100000 and n1 > 500000 and n3 < 50000") 
1 loop, best of 3: 379 ms per loop 

UPDATE：そこパンダバージョンの 0.20.0+私たちが書くと羽のフォーマットへ/から直接読み取ることができます（感謝@jezrael for the hint）：生成されたDFの

In [3]: df.to_feather(r'c:/tmp/test2.feather') 

In [4]: %timeit pd.read_feather(r'c:/tmp/test2.feather') 
1 loop, best of 3: 583 ms per loop 

例：

In [13]: df 
Out[13]: 
      n1  n2  n3   s1          s2 
0  719458 808047 792611 Fjv4CoRv2b 2aWQTkutPlKkO38fRQh2tdh1BrnEFavmIsDZK17V 
1  526092 950709 804869 dfG12EpzVI YVZzhMi9sfazZEW9e2TV7QIvldYj2RPHw0TXxS2z 
2  109107 801344 266732 aoyBuHTL9I ui0PKJO8cQJwcvmMThb08agWL1UyRumYgB7jjmcw 
3  873626 814409 895382 qQQms5pTGq zvf4HTaKCISrdPK98ROtqPqpsG4WhSdEgbKNHy05 
4  212776 596713 924623 3YXa4PViAn 7Y94ykHIHIEnjKvGphYfAWSINRZtJ99fCPiMrfzl 
5  375323 401029 973262 j6QQwYzfsK PNYOM2GpHdhrz9NCCifRsn8gIZkLHecjlk82o44Y 
6  232655 937230 40883 NsI5Y78aLT qiKvXcAdPVbhWbXnyD3uqIwzS7ZsCgssm9kHAETb 
7  69010 438280 564194 N73tQaZjey ttj1IHtjPyssyADMYiNScflBjN4SFv5bk3tbz93o 
8  988081 8992 968871 eb9lc7D22T sb3dt1Ndc8CUHyvsFJgWRrQg4ula7KJ76KrSSqGH 
9  127155 66042 881861 tHSBB3RsNH ZpZt5sxAU3zfiPniSzuJYrwtrytDvqJ1WflJ4vh3 
...  ...  ...  ...   ...          ... 
999990 805220 21746 355944 IMCMWuf97L bj7tSrgudA5wLvWkWVQyNVamSGmFGOeQlIUoKXK3 
999991 232596 293850 741881 JD0SVS5uob kWeP8DEw19rwxVN3XBBcskibMRGxfoToNO9RDeCT 
999992 532752 733958 222003 9X4PopnltN dKhsdKFK1EfAATBFsB5hjKZzQWERxzxGEQZWAvSe 
999993 308623 717897 703895 Fg0nuq63hA kHzRecZoaG5tAnLbtlq1hqtfd2l5oEMFbJp4NjhC 
999994 841670 528518 70745 vKQDiAzZNf M5wdoUNfkdKX2VKQEArvBLYl5lnTNShjDLwnb8VE 
999995 986988 599807 901853 r8iHjo39NH 72CfzCycAGoYMocbw3EbUbrV4LRowFjSDoDeYfT5 
999996 384064 429184 203230 EJy0mTAmdQ 1jfUQCj2SLIktVqIRHfYQW2QYfpvhcWCbRLO5wqL 
999997 967270 565677 146418 KWp2nH1MbM hzhn880cuEpjFhd5bd7vpgsjjRNgaViANW9FHwrf 
999998 130864 863893 5614 L28QGa22f1 zfg8mBidk8NTa3LKO4rg31Z6K4ljK50q5tHHq8Fh 
999999 528532 276698 553870 0XRJwqBAWX 0EzNcDkGUFklcbKELtcr36zPCMu9lSaIDcmm0kUX 

[1000000 rows x 5 columns]