6.2 二进制数据格式

实现数据的高效二进制格式存储最简单的办法之一是使用Python内置的pickle序列化。pandas对象都有一个用于将数据以pickle格式保存到磁盘上的to_pickle方法：

  1. In [87]: frame = pd.read_csv('examples/ex1.csv')
  3. In [88]: frame
  4. Out[88]: 
  5.    a   b   c   d message
  6. 0  1   2   3   4   hello
  7. 1  5   6   7   8   world
  8. 2  9  10  11  12     foo
  10. In [89]: frame.to_pickle('examples/frame_pickle')

你可以通过pickle直接读取被pickle化的数据，或是使用更为方便的pandas.read_pickle：

  1. In [90]: pd.read_pickle('examples/frame_pickle')
  2. Out[90]: 
  3.    a   b   c   d message
  4. 0  1   2   3   4   hello
  5. 1  5   6   7   8   world
  6. 2  9  10  11  12     foo

注意：pickle仅建议用于短期存储格式。其原因是很难保证该格式永远是稳定的；今天pickle的对象可能无法被后续版本的库unpickle出来。虽然我尽力保证这种事情不会发生在pandas中，但是今后的某个时候说不定还是得“打破”该pickle格式。

pandas内置支持两个二进制数据格式：HDF5和MessagePack。下一节，我会给出几个HDF5的例子，但我建议你尝试下不同的文件格式，看看它们的速度以及是否适合你的分析工作。pandas或NumPy数据的其它存储格式有：

  • bcolz：一种可压缩的列存储二进制格式，基于Blosc压缩库。
  • Feather：我与R语言社区的Hadley Wickham设计的一种跨语言的列存储文件格式。Feather使用了Apache Arrow的列式内存格式。

使用HDF5格式

HDF5是一种存储大规模科学数组数据的非常好的文件格式。它可以被作为C标准库，带有许多语言的接口，如Java、Python和MATLAB等。HDF5中的HDF指的是层次型数据格式（hierarchical data format）。每个HDF5文件都含有一个文件系统式的节点结构，它使你能够存储多个数据集并支持元数据。与其他简单格式相比，HDF5支持多种压缩器的即时压缩，还能更高效地存储重复模式数据。对于那些非常大的无法直接放入内存的数据集，HDF5就是不错的选择，因为它可以高效地分块读写。

虽然可以用PyTables或h5py库直接访问HDF5文件，pandas提供了更为高级的接口，可以简化存储Series和DataFrame对象。HDFStore类可以像字典一样，处理低级的细节：

  1. In [92]: frame = pd.DataFrame({'a': np.random.randn(100)})
  3. In [93]: store = pd.HDFStore('mydata.h5')
  5. In [94]: store['obj1'] = frame
  7. In [95]: store['obj1_col'] = frame['a']
  9. In [96]: store
  10. Out[96]: 
  11. <class 'pandas.io.pytables.HDFStore'>
  12. File path: mydata.h5
  13. /obj1                frame        (shape->[100,1])                               
  15. /obj1_col            series       (shape->[100])                                 
  17. /obj2                frame_table  (typ->appendable,nrows->100,ncols->1,indexers->
  18. [index])
  19. /obj3                frame_table  (typ->appendable,nrows->100,ncols->1,indexers->
  20. [index])

HDF5文件中的对象可以通过与字典一样的API进行获取：

  1. In [97]: store['obj1']
  2. Out[97]: 
  3.            a
  4. 0  -0.204708
  5. 1   0.478943
  6. 2  -0.519439
  7. 3  -0.555730
  8. 4   1.965781
  9. ..       ...
  10. 95  0.795253
  11. 96  0.118110
  12. 97 -0.748532
  13. 98  0.584970
  14. 99  0.152677
  15. [100 rows x 1 columns]

HDFStore支持两种存储模式，’fixed’和’table’。后者通常会更慢，但是支持使用特殊语法进行查询操作：

  1. In [98]: store.put('obj2', frame, format='table')
  3. In [99]: store.select('obj2', where=['index >= 10 and index <= 15'])
  4. Out[99]: 
  5.            a
  6. 10  1.007189
  7. 11 -1.296221
  8. 12  0.274992
  9. 13  0.228913
  10. 14  1.352917
  11. 15  0.886429
  13. In [100]: store.close()

put是store[‘obj2’] = frame方法的显示版本，允许我们设置其它的选项，比如格式。

pandas.read_hdf函数可以快捷使用这些工具：

  1. In [101]: frame.to_hdf('mydata.h5', 'obj3', format='table')
  3. In [102]: pd.read_hdf('mydata.h5', 'obj3', where=['index < 5'])
  4. Out[102]: 
  5.           a
  6. 0 -0.204708
  7. 1  0.478943
  8. 2 -0.519439
  9. 3 -0.555730
  10. 4  1.965781

笔记：如果你要处理的数据位于远程服务器，比如Amazon S3或HDFS，使用专门为分布式存储（比如Apache Parquet）的二进制格式也许更加合适。Python的Parquet和其它存储格式还在不断的发展之中，所以这本书中没有涉及。

如果需要本地处理海量数据，我建议你好好研究一下PyTables和h5py，看看它们能满足你的哪些需求。。由于许多数据分析问题都是IO密集型（而不是CPU密集型），利用HDF5这样的工具能显著提升应用程序的效率。

注意：HDF5不是数据库。它最适合用作“一次写多次读”的数据集。虽然数据可以在任何时候被添加到文件中，但如果同时发生多个写操作，文件就可能会被破坏。

读取Microsoft Excel文件

pandas的ExcelFile类或pandas.read_excel函数支持读取存储在Excel 2003（或更高版本）中的表格型数据。这两个工具分别使用扩展包xlrd和openpyxl读取XLS和XLSX文件。你可以用pip或conda安装它们。

要使用ExcelFile，通过传递xls或xlsx路径创建一个实例：

  1. In [104]: xlsx = pd.ExcelFile('examples/ex1.xlsx')

存储在表单中的数据可以read_excel读取到DataFrame（原书这里写的是用parse解析，但代码中用的是read_excel，是个笔误：只换了代码，没有改文字）：

  1. In [105]: pd.read_excel(xlsx, 'Sheet1')
  2. Out[105]: 
  3.    a   b   c   d message
  4. 0  1   2   3   4   hello
  5. 1  5   6   7   8   world
  6. 2  9  10  11  12     foo

如果要读取一个文件中的多个表单，创建ExcelFile会更快，但你也可以将文件名传递到pandas.read_excel：

  1. In [106]: frame = pd.read_excel('examples/ex1.xlsx', 'Sheet1')
  3. In [107]: frame
  4. Out[107]: 
  5.    a   b   c   d message
  6. 0  1   2   3   4   hello
  7. 1  5   6   7   8   world
  8. 2  9  10  11  12     foo

如果要将pandas数据写入为Excel格式，你必须首先创建一个ExcelWriter，然后使用pandas对象的to_excel方法将数据写入到其中：

  1. In [108]: writer = pd.ExcelWriter('examples/ex2.xlsx')
  3. In [109]: frame.to_excel(writer, 'Sheet1')
  5. In [110]: writer.save()

你还可以不使用ExcelWriter，而是传递文件的路径到to_excel：

  1. In [111]: frame.to_excel('examples/ex2.xlsx')