我在探索Python,特别是带有HDF5的Pandas是否是适合做一些时间序列建模的环境...其结果是我没有任何经验(还没有!)在任何这些,请原谅任何愚蠢的问题。Put操作挂起
要切换到追逐我一直有一些问题,即使最基本的插入虚拟数据到HDF5文件。我按照another post提供的代码,但是当我以storer格式编写时,代码执行会挂起。我还没有尝试过表格格式,我想先让它工作。我正在运行以下文件。
test_put.py:
from IPython.core.debugger import Tracer; debugStart = Tracer()
import pandas as pd
import numpy as np
import tables
print "Pandas version: " + pd.__version__ # 0.11.0
print "NumPy version: " + np.__version__ # 1.7.1
print "Tables version: " + tables.__version__ # 2.4.0
df = pd.DataFrame(np.random.randn(1000 * 1000, 100),
index=range(int(1000 * 1000)),
columns=['E%03d' % i for i in xrange(100)])
for x in range(20):
df['String%03d' % x] = 'string%03d' % x
def test_storer_put():
store = pd.HDFStore('test_put.h5','w')
debugStart()
store['df'] = df
store.close()
def test_table_put():
store = pd.HDFStore('test_put.h5','w')
store.put('df',df,table=True)
store.close()
test_storer_put()
在IPython中使用IPDB我有一个调用堆栈的吊线,如下粘贴。这行是调用cPickle,我认为它是某种编译库。我无法进一步进入这一行(使用's'),因此出于对问题的看法。
~/test_put.py(20)test_storer_put()
18 store = pd.HDFStore('test_put.h5','w')
19 debugStart()
---> 20 store['df'] = df
21 store.close()
22
~/anaconda/lib/python2.7/site-packages/pandas/io/pytables.py(241)__setitem__()
239
240 def __setitem__(self, key, value):
--> 241 self.put(key, value)
242
243 def __delitem__(self, key):
~/anaconda/lib/python2.7/site-packages/pandas/io/pytables.py(536)put()
534 table
535 """
--> 536 self._write_to_group(key, value, table=table, append=append, **kwargs)
537
538 def remove(self, key, where=None, start=None, stop=None):
~/anaconda/lib/python2.7/site-packages/pandas/io/pytables.py(871)_write_to_group()
869 raise ValueError('Compression not supported on non-table')
870
--> 871 s.write(obj = value, append=append, complib=complib, **kwargs)
872 if s.is_table and index:
873 s.create_index(columns = index)
~/anaconda/lib/python2.7/site-packages/pandas/io/pytables.py(2005)write()
2003 blk = data.blocks[i]
2004 # I have no idea why, but writing values before items fixed #2299
-> 2005 self.write_array('block%d_values' % i, blk.values)
2006 self.write_index('block%d_items' % i, blk.items)
2007
~/anaconda/lib/python2.7/site-packages/pandas/io/pytables.py(1799)write_array()
1797 vlarr = self._handle.createVLArray(self.group, key,
1798 _tables().ObjectAtom())
-> 1799 vlarr.append(value)
1800 elif value.dtype.type == np.datetime64:
1801 self._handle.createArray(self.group, key, value.view('i8'))
~/anaconda/lib/python2.7/site-packages/tables/vlarray.py(462)append()
460 atom = self.atom
461 if not hasattr(atom, 'size'): # it is a pseudo-atom
--> 462 sequence = atom.toarray(sequence)
463 statom = atom.base
464 else:
~/anaconda/lib/python2.7/site-packages/tables/atom.py(1000)toarray()
998
999 def toarray(self, object_):
-> 1000 buffer_ = self._tobuffer(object_)
1001 array = numpy.ndarray(buffer=buffer_, dtype=self.base.dtype,
1002 shape=len(buffer_))
> ~/anaconda/lib/python2.7/site-packages/tables/atom.py(1112)_tobuffer()
1110
1111 def _tobuffer(self, object_):
-> 1112 return cPickle.dumps(object_, cPickle.HIGHEST_PROTOCOL)
1113
1114 def fromarray(self, array):
在挂线范围的参数有:
ipdb> a
self = ObjectAtom()
object_ = [['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']
['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']
['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']
...,
['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']
['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']
['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']]
在逐步执行代码我注意到,BlockManagerStorer.write()
方法,它是半当中上面的调用栈,是循环通过2组数据块(2002至2006年的线)。第一个循环运行正常,并且是第二个循环挂起。此外,在下一个堆栈中调用的GenericStorer.write_array()
方法在第一遍中有value.dtype.type == 'numpy.float64'
,但在第二次中value.dtype.type == 'numpy.object'
导致在io/pytables.py的第1785行中发生不同的分支。 编辑:第一遍是写一个〜800兆文件,所以它似乎是预期的输出文件的大部分。
最后如果这是架构/软件风味相关。我运行了以下内容:
机:虚拟机,1个CPU,4GB内存,64位
OS:红帽企业Linux 6(64位)
软件:Python中,大熊猫,PyTables等是在几天前通过anaconda安装的。希望在上面的脚本中打印相关的版本号(作为注释!),但让我知道其他人是否合适。
TIA的任何帮助 詹姆斯
感谢您的快速反应。你说得对,表格格式在我的简单例子中起作用,所以步骤1解决了。 –
有关如何更新到最新版本的任何说明? RHEL版本库甚至不支持熊猫(我可以看到),这就是为什么我使用Anaconda –
另外,我在编写具有多索引和其他更复杂示例的数据框时遇到了其他问题。我还有其他的工作要参加,所以会在另一个帖子中提出......最有可能的下周 –