如何将大于 RAM 限制的 gzip 文件导入 Pandas DataFrame？ "Kill 9" 使用 HDF5？

Question

我有一个 gzip，大约 90 GB。这完全在磁盘 space 内，但比 RAM 大得多。

如何将其导入 pandas 数据框？我在命令行中尝试了以下操作：

# start with Python 3.4.5
import pandas as pd
filename = 'filename.gzip'   # size 90 GB
df = read_table(filename, compression='gzip')

但是，几分钟后，Python 关闭并显示 Kill 9。

定义数据库对象df后，我打算将其保存到HDF5中。

正确的做法是什么？我如何使用 pandas.read_table() 来做到这一点？

Answer 1

我会这样做：

filename = 'filename.gzip'      # size 90 GB
hdf_fn = 'result.h5'
hdf_key = 'my_huge_df'
cols = ['colA','colB','colC','ColZ'] # put here a list of all your columns
cols_to_index = ['colA','colZ'] # put here the list of YOUR columns, that you want to index
chunksize = 10**6               # you may want to adjust it ... 

store = pd.HDFStore(hdf_fn)

for chunk in pd.read_table(filename, compression='gzip', header=None, names=cols, chunksize=chunksize):
    # don't index data columns in each iteration - we'll do it later
    store.append(hdf_key, chunk, data_columns=cols_to_index, index=False)

# index data columns in HDFStore
store.create_table_index(hdf_key, columns=cols_to_index, optlevel=9, kind='full')
store.close()

如何将大于 RAM 限制的 gzip 文件导入 Pandas DataFrame？ "Kill 9" 使用 HDF5？

How to import a gzip file larger than RAM limit into a Pandas DataFrame? "Kill 9" Use HDF5?

python

gzip

hdf5

dataframe

pandas