TuShare（3）：使用pandas 压缩存储hdf5文件

本文的原文连接是: /article/7549497.html 未经博主允许不得转载。

博主地址是：http://blog.csdn.net/freewebsys

1，使用压缩

hdf5在存储的是支持压缩，使用的方式是blosc，这个是速度最快的也是pandas默认支持的。

使用压缩可以提磁盘利用率，节省空间。

开启压缩也没有什么劣势，只会慢一点点。

压缩在小数据量的时候优势不明显，数据量大了才有优势。

同时发现hdf读取文件的时候只能是一次写，写的时候可以append，可以put，但是写完成了之后关闭文件，就不能再写了，

会覆盖。

2，使用压缩方式写文件

import numpy as np
import pandas as pd
#生成9000,0000条数据，9千万条
a = np.random.standard_normal((90000000,4))
b = pd.DataFrame(a)
#普通格式存储：
h5 = pd.HDFStore('/data/stock/test_s.h5','w')
h5['data'] = b
h5.close()

#压缩格式存储
h5 = pd.HDFStore('/data/stock/test_c4.h5','w', complevel=4, complib='blosc')
h5['data'] = b
h5.close()

对比文件大小：

-rw-r--r--. 1 root root 2.7G Mar 31 11:20 test_c4.h5
-rw-r--r--. 1 root root 3.4G Mar 31 11:19 test_s.h5

省了700mb空间。

3，总结

本文的原文连接是: /article/7549497.html 未经博主允许不得转载。

博主地址是：http://blog.csdn.net/freewebsys

pandas官网有CookBook。

http://pandas.pydata.org/pandas-docs/stable/cookbook.html

对比CSV文件格式，hdf5支持按照key寻找，可以直接把股票id作为key寻找。比较hdf5是结构化的数据格式，而csv还是个文本。

比数据库方式效果高多了，读写很快。

对于金融，股票系统。还是直接读写文件来的方便。

按照日期和股票id进行两个分区。而且后期迁移的时候直接可以迁移到hadoop 上面，也非常容易呢。