使用Python仅将HDF5文件中的部分数据加载到内存中

Question

要将 HDF5 文件中的数据加载到内存中，可以使用 pandas.read_hdf 函数和要加载的列列表。然而，通过这种方式，整个表被加载到内存中，然后一些列被删除。因此初始内存使用量远大于数据的实际大小。

有没有办法只加载感兴趣的列？

Answer 1

Nownuri，两者都提供了读取部分文件的方法。
使用pytables，有几种方法可以将表读入 numpy 数组。这些包括：

• table.read()让您对数据进行切片，
• table.read_coordinates()读取一组[不连续]坐标（也称为行），
• table.read_where()根据搜索条件读取一组

所有都支持可选field=''参数来根据字段名称读取单列数据（如 numpy recarry）。有关完整详细信息，请阅读 Pytables 文档。您可以在这里找到它：PyTables 用户指南

h5py具有基于 numpy 数组切片约定的类似（但不同）方法。有关 h5py 的详细信息，请访问此处的文档：H5py 文档

下面是每个的非常简单（独立）的示例。我以写入模式创建数据，然后以读取模式重新打开文件。您可能只需要每个示例的后半部分（如何读取数据）。此外，HDF5 文件与创建方法无关：您可以使用 h5py 或 pytables 读取 HDF5 文件（与它们的创建方式无关）。

Pytables 方法：
此方法显示了使用 pytables 访问表的 2 种不同方法。第一个使用“自然命名”来获取 h5_i_arr，第二个使用该get_node()方法来读取h5_x_arr.

import tables as tb
import numpy as np

with tb.File('SO_57342918_tb.h5','w') as h5f:

    i_arr=np.arange(10)
    x_arr=np.arange(10.0)

    my_dt = np.dtype([ ('i_arr', int), ('x_arr', float) ] )
    table_arr = np.recarray( (10,), dtype=my_dt )
    table_arr['i_arr'] = i_arr
    table_arr['x_arr'] = x_arr

    my_ds = h5f.create_table('/','ds1',obj=table_arr)

# read 1 column using field= parameter:   
with tb.File('SO_57342918_tb.h5','r') as h5f:

    h5_i_arr = h5f.root.ds1.read(field='i_arr')
    h5_x_arr = h5f.get_node('/ds1').read(field='x_arr')
    print (h5_i_arr)
    print (h5_x_arr)

h5py方法：

import h5py
import numpy as np

with h5py.File('SO_57342918_h5py.h5','w') as h5f:

    i_arr=np.arange(10)
    x_arr=np.arange(10.0)

    my_dt = np.dtype([ ('i_arr', int), ('x_arr', float) ] )
    table_arr = np.recarray( (10,), dtype=my_dt )
    table_arr['i_arr'] = i_arr
    table_arr['x_arr'] = x_arr

    my_ds = h5f.create_dataset('/ds1',data=table_arr)

# read 1 column using numpy slicing: 
with h5py.File('SO_57342918_h5py.h5','r') as h5f:

    h5_i_arr = h5f['ds1'][:,'i_arr']
    h5_x_arr = h5f['ds1'][:,'x_arr']
    print (h5_i_arr)
    print (h5_x_arr)