Berbagi teknologi

Tur perpustakaan keren Python - perpustakaan pihak ketiga Pandas (011)

2024-07-12

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Daftar isi

1. Penjelasan mendalam tentang penggunaan

25. fungsi pandas.HDFStore.get

25-1. Tata Bahasa

25-2.Parameter

25-3.Fungsi

25-4.Nilai pengembalian

25-5.Deskripsi

25-6.Penggunaan

25-6-1.Penyiapan data

25-6-2.Contoh kode

25-6-3

26. fungsi pandas.HDFStore.select

26-1. Tata Bahasa

26-2.Parameter

26-3.Fungsi

26-4.Nilai pengembalian

26-5.Deskripsi

26-6.Penggunaan

26-6-1.Penyiapan data

26-6-2.Contoh kode

26-6-3

27. fungsi pandas.HDFStore.info

27-1. Tata Bahasa

27-2.Parameter

27-3.Fungsi

27-4.Nilai pengembalian

27-5.Deskripsi

27-6.Penggunaan

27-6-1.Penyiapan data

27-6-2.Contoh kode

27-6-3

2. Bacaan yang dianjurkan

1. Perjalanan pembangunan pondasi Python

2. Perjalanan fungsi Python

3. Perjalanan Algoritma Python

4. Perjalanan ajaib Python

5. Beranda pribadi blog

1. Penjelasan mendalam tentang penggunaan

25、pandas.HDFStore.dapatkanfungsi
25-1. Tata Bahasa
  1. # 25、pandas.HDFStore.get函数
  2. HDFStore.get(key)
  3. Retrieve pandas object stored in file.
  4.  
  5. Parameters:
  6. key
  7. str
  8. Returns:
  9. object
  10. Same type as object stored in file.
25-2.Parameter

25-2-1、kunci(harus)：String yang menentukan lokasi atau nama dalam file HDF5 dari data yang akan diambil. Kunci ini biasanya sesuai dengan nama atau jalur yang Anda gunakan saat menyimpan data ke file HDF5.

25-3.Fungsi

Digunakan untuk mengambil (atau mendapatkan) data yang disimpan dari file HDF5.

25-4.Nilai pengembalian

Secara umum, fungsi ini akan mengembalikan objek pandas yang terkait dengan kunci, seperti DataFrame, Series, atau container pandas lainnya.

Secara khusus, nilai yang dikembalikan dapat berupa:

25-4-1、Bingkai Data : Jika data yang terkait dengan kunci yang disimpan dalam file HDF5 adalah tabel atau struktur data seperti tabel, metode get akan mengembalikan objek DataFrame. DataFrame adalah struktur data utama di panda untuk menyimpan dan memanipulasi data terstruktur. DataFrame menyimpan data dalam bentuk tabel, berisi baris dan kolom.

25-4-2、Seri: Dalam beberapa kasus, jika data yang disimpan berbentuk satu dimensi, seperti data deret waktu atau data kolom tunggal, metode get dapat mengembalikan objek Seri. Seri digunakan dalam panda untuk menyimpan data satu dimensi (yaitu, dengan array indeks) struktur data.

25-4-3. Objek panda lainnya : Meskipun kurang umum, file HDF5 secara teoritis dapat menyimpan jenis objek pandas lainnya, seperti Panel (catatan: mulai dari pandas versi 0.25.0, Panel sudah tidak digunakan lagi dan dihapus dari perpustakaan pandas). Namun, seiring dengan evolusi panda, situasi ini menjadi semakin jarang terjadi.

25-4-4, Tidak ada atau nilai default : Jika kunci yang ditentukan tidak ada dalam file HDF5 dan metode get tidak memberikan nilai default sebagai parameter kedua, hal ini dapat memunculkan KeyError. Namun, jika nilai default diberikan (walaupun ini bukan perilaku standar untuk metode get, karena metode get umumnya tidak secara langsung mendukung parameter nilai default di HDFStore), hal ini mungkin terjadi pada DataFrame.mendapatkan kebingungan metode), maka ia akan mengembalikan nilai default tersebut. Namun, dalam konteks HDFStore, lebih umum menggunakan blok coba-kecuali untuk menangkap KeyError dan menangani kasus ini jika diperlukan.

25-5.Deskripsi

tidak ada

25-6.Penggunaan
25-6-1.Penyiapan data
无
25-6-2.Contoh kode
  1. # 25、pandas.HDFStore.get函数
  2. import pandas as pd
  3. # 创建一个示例的DataFrame
  4. data = pd.DataFrame({
  5.     'A': [1, 2, 3, 4],
  6.     'B': ['foo', 'bar', 'foo', 'bar'],
  7.     'C': [0.1, 0.2, 0.3, 0.4]
  8. })
  9. # 将数据保存到HDF5文件中
  10. filename = 'example.h5'
  11. key = 'data'
  12. data.to_hdf(filename, key=key, format='table', mode='w')
  13. # 从HDF5文件中读取数据
  14. with pd.HDFStore(filename, mode='r') as store:
  15.     df_from_hdf = store.get(key)
  16. # 打印读取的数据
  17. print("Data read from HDF5:")
  18. print(df_from_hdf)
25-6-3
  1. # 25、pandas.HDFStore.get函数
  2. # Data read from HDF5:
  3. #    A    B    C
  4. # 0  1  foo  0.1
  5. # 1  2  bar  0.2
  6. # 2  3  foo  0.3
  7. # 3  4  bar  0.4
26、pandas.HDFStore.pilihfungsi
26-1. Tata Bahasa
  1. # 26、pandas.HDFStore.select函数
  2. HDFStore.select(key, where=None, start=None, stop=None, columns=None, iterator=False, chunksize=None, auto_close=False)
  3. Retrieve pandas object stored in file, optionally based on where criteria.
  4.  
  5. Warning
  6.  
  7. Pandas uses PyTables for reading and writing HDF5 files, which allows serializing object-dtype data with pickle when using the “fixed” format. Loading pickled data received from untrusted sources can be unsafe.
  8.  
  9. See: https://docs.python.org/3/library/pickle.html for more.
  10.  
  11. Parameters:
  12. key
  13. str
  14. Object being retrieved from file.
  15.  
  16. where
  17. list or None
  18. List of Term (or convertible) objects, optional.
  19.  
  20. start
  21. int or None
  22. Row number to start selection.
  23.  
  24. stop
  25. int, default None
  26. Row number to stop selection.
  27.  
  28. columns
  29. list or None
  30. A list of columns that if not None, will limit the return columns.
  31.  
  32. iterator
  33. bool or False
  34. Returns an iterator.
  35.  
  36. chunksize
  37. int or None
  38. Number or rows to include in iteration, return an iterator.
  39.  
  40. auto_close
  41. bool or False
  42. Should automatically close the store when finished.
  43.  
  44. Returns:
  45. object
  46. Retrieved object from file.
26-2.Parameter

26-2-1、kunci(harus)：Kunci (atau jalur) dalam file HDF5 yang akan diambil, biasanya nama atau jalur yang ditentukan saat menyimpan data ke file HDF5.

26-2-2、dimana(opsional, nilai defaultnya adalah Tidak Ada)： Ekspresi bersyarat digunakan untuk memfilter data. Jika berupa string, maka harus berupa string kueri Pandas yang valid, mirip dengan yang digunakan saat menggunakan metode .query() pada DataFrame; jika berupa objek yang dapat dipanggil (seperti fungsi), maka harus Menerima DataFrame; sebagai input dan mengembalikan urutan Boolean yang menunjukkan baris mana yang harus dipilih.

26-2-3、mulai/berhenti(opsional, nilai defaultnya adalah Tidak Ada)：Indeks awal/akhir dari baris yang akan diambil (berbasis 0). Jika awal dan akhir ditentukan, hanya baris di antara kedua indeks ini yang akan diambil (termasuk awal, namun tidak termasuk akhir).

26-2-4、kolom(opsional, nilai defaultnya adalah Tidak Ada)：Daftar nama kolom atau nama kolom tunggal yang akan diambil. Jika parameter ini ditentukan, hanya data untuk kolom ini yang akan diambil.

26-2-5、pengulangan(opsional, nilai defaultnya adalah False)：Jika Benar, mengembalikan iterator yang menghasilkan potongan data demi potongan daripada memuat seluruh kumpulan data ke dalam memori sekaligus, yang berguna untuk memproses kumpulan data besar.

26-2-6、ukuran potongan(opsional, nilai defaultnya adalah Tidak Ada)：Ketika iterator=True, parameter ini menentukan jumlah baris di setiap blok, yang memungkinkan Anda mengontrol penggunaan memori dan dapat meningkatkan kinerja saat memproses kumpulan data besar.

26-2-7、tutup otomatis(opsional, nilai defaultnya adalah False)： Jika Benar, penyimpanan secara otomatis ditutup ketika iterator habis atau terjadi pengecualian, yang membantu memastikan bahwa file ditutup dengan benar bahkan ketika terjadi kesalahan. Namun, perlu diingat bahwa jika Anda berencana untuk terus menggunakan objek HDFStore setelah iterator habis, Anda harus menyetel parameter ini ke False.

26-3.Fungsi

Ambil objek pandas (seperti DataFrame atau Seri) yang disimpan dengan kunci tertentu dari file HDF5 dan izinkan pengguna untuk memfilter atau mengontrol data yang diambil berdasarkan serangkaian parameter.

26-4.Nilai pengembalian

   Nilai yang dikembalikan bergantung pada tipe data yang terkait dengan kunci yang disimpan dalam file HDF5 dan kondisi kueri (jika ada). Biasanya, nilai yang dikembalikan adalah objek pandas, seperti:

26-4-1、Bingkai Data: Jika data yang diambil dalam bentuk tabel, objek DataFrame akan dikembalikan.

26-4-2、Seri: Jika data yang diambil adalah satu dimensi (misalnya, data untuk satu kolom), maka objek Seri dapat dikembalikan, meskipun hal ini biasanya terjadi ketika satu kolom secara eksplisit ditentukan sebagai parameter kolom.

26-4-3. Benda panda lainnya: Secara teori, ini bisa berupa container panda lain juga, tetapi dalam konteks file HDF5, yang paling umum adalah DataFrame dan Series.

26-5.Deskripsi

tidak ada

26-6.Penggunaan
26-6-1.Penyiapan data
无
26-6-2.Contoh kode
  1. # 26、pandas.HDFStore.select函数
  2. import pandas as pd
  3. import numpy as np
  4. # 创建一个示例DataFrame
  5. np.random.seed(0)  # 设置随机种子以确保结果可重复
  6. data = pd.DataFrame({
  7.     'A': np.random.randn(100),
  8.     'B': np.random.randn(100),
  9.     'C': np.random.randn(100),
  10.     'D': np.random.randint(0, 2, 100)
  11. })
  12. # 将DataFrame保存到HDF5文件中
  13. with pd.HDFStore('example.h5') as store:
  14.     store.put('data', data, format='table')
  15. # 从HDF5文件中检索数据的示例
  16. with pd.HDFStore('example.h5') as store:
  17.     # 选择所有数据
  18.     print("nAll data:")
  19.     all_data = store.select('data')
  20.     print(all_data.head())  # 只打印前几行以节省空间
  21.     # 选择特定的列
  22.     print("nSpecific columns (A, B):")
  23.     specific_columns = store.select('data', columns=['A', 'B'])
  24.     print(specific_columns.head())
  25.     # 选择部分数据行（注意：HDF5的索引可能不是从0开始的，但这里假设它是）
  26.     print("nPartial data (rows 10 to 19):")
  27.     partial_data = store.select('data', start=10, stop=20)
  28.     print(partial_data)
  29.     # 使用chunksize来逐块读取数据
  30.     print("nData read in chunks:")
  31.     chunks = store.select('data', chunksize=10)
  32.     for i, chunk in enumerate(chunks):
  33.         print(f"Chunk {i + 1}:")
  34.         print(chunk.head())  # 只打印每个块的前几行
26-6-3
  1. # 26、pandas.HDFStore.select函数
  2. # All data:
  3. #           A         B         C  D
  4. # 0  1.764052  1.883151 -0.369182  0
  5. # 1  0.400157 -1.347759 -0.239379  0
  6. # 2  0.978738 -1.270485  1.099660  1
  7. # 3  2.240893  0.969397  0.655264  1
  8. # 4  1.867558 -1.173123  0.640132  0
  9. # 
  10. # Specific columns (A, B):
  11. #           A         B
  12. # 0  1.764052  1.883151
  13. # 1  0.400157 -1.347759
  14. # 2  0.978738 -1.270485
  15. # 3  2.240893  0.969397
  16. # 4  1.867558 -1.173123
  17. # 
  18. # Partial data (rows 10 to 19):
  19. #            A         B         C  D
  20. # 10  0.144044  1.867559  0.910179  0
  21. # 11  1.454274  0.906045  0.317218  0
  22. # 12  0.761038 -0.861226  0.786328  1
  23. # 13  0.121675  1.910065 -0.466419  0
  24. # 14  0.443863 -0.268003 -0.944446  0
  25. # 15  0.333674  0.802456 -0.410050  0
  26. # 16  1.494079  0.947252 -0.017020  1
  27. # 17 -0.205158 -0.155010  0.379152  1
  28. # 18  0.313068  0.614079  2.259309  0
  29. # 19 -0.854096  0.922207 -0.042257  0
  30. # 
  31. # Data read in chunks:
  32. # Chunk 1:
  33. #           A         B         C  D
  34. # 0  1.764052  1.883151 -0.369182  0
  35. # 1  0.400157 -1.347759 -0.239379  0
  36. # 2  0.978738 -1.270485  1.099660  1
  37. # 3  2.240893  0.969397  0.655264  1
  38. # 4  1.867558 -1.173123  0.640132  0
  39. # Chunk 2:
  40. #            A         B         C  D
  41. # 10  0.144044  1.867559  0.910179  0
  42. # 11  1.454274  0.906045  0.317218  0
  43. # 12  0.761038 -0.861226  0.786328  1
  44. # 13  0.121675  1.910065 -0.466419  0
  45. # 14  0.443863 -0.268003 -0.944446  0
  46. # Chunk 3:
  47. #            A         B         C  D
  48. # 20 -2.552990  0.376426 -0.955945  0
  49. # 21  0.653619 -1.099401 -0.345982  1
  50. # 22  0.864436  0.298238 -0.463596  0
  51. # 23 -0.742165  1.326386  0.481481  0
  52. # 24  2.269755 -0.694568 -1.540797  1
  53. # Chunk 4:
  54. #            A         B         C  D
  55. # 30  0.154947 -0.769916 -1.424061  1
  56. # 31  0.378163  0.539249 -0.493320  0
  57. # 32 -0.887786 -0.674333 -0.542861  0
  58. # 33 -1.980796  0.031831  0.416050  1
  59. # 34 -0.347912 -0.635846 -1.156182  1
  60. # Chunk 5:
  61. #            A         B         C  D
  62. # 40 -1.048553 -1.491258 -0.637437  0
  63. # 41 -1.420018  0.439392 -0.397272  1
  64. # 42 -1.706270  0.166673 -0.132881  0
  65. # 43  1.950775  0.635031 -0.297791  0
  66. # 44 -0.509652  2.383145 -0.309013  0
  67. # Chunk 6:
  68. #            A         B         C  D
  69. # 50 -0.895467 -0.068242  0.521065  1
  70. # 51  0.386902  1.713343 -0.575788  1
  71. # 52 -0.510805 -0.744755  0.141953  0
  72. # 53 -1.180632 -0.826439 -0.319328  0
  73. # 54 -0.028182 -0.098453  0.691539  1
  74. # Chunk 7:
  75. #            A         B         C  D
  76. # 60 -0.672460 -0.498032 -1.188859  1
  77. # 61 -0.359553  1.929532 -0.506816  1
  78. # 62 -0.813146  0.949421 -0.596314  0
  79. # 63 -1.726283  0.087551 -0.052567  0
  80. # 64  0.177426 -1.225436 -1.936280  0
  81. # Chunk 8:
  82. #            A         B         C  D
  83. # 70  0.729091  0.920859  0.399046  0
  84. # 71  0.128983  0.318728 -2.772593  1
  85. # 72  1.139401  0.856831  1.955912  0
  86. # 73 -1.234826 -0.651026  0.390093  1
  87. # 74  0.402342 -1.034243 -0.652409  1
  88. # Chunk 9:
  89. #            A         B         C  D
  90. # 80 -1.165150 -0.353994 -0.110541  0
  91. # 81  0.900826 -1.374951  1.020173  0
  92. # 82  0.465662 -0.643618 -0.692050  1
  93. # 83 -1.536244 -2.223403  1.536377  0
  94. # 84  1.488252  0.625231  0.286344  0
  95. # Chunk 10:
  96. #            A         B         C  D
  97. # 90 -0.403177 -1.292857 -0.628088  1
  98. # 91  1.222445  0.267051 -0.481027  1
  99. # 92  0.208275 -0.039283  2.303917  0
  100. # 93  0.976639 -1.168093 -1.060016  1
  101. # 94  0.356366  0.523277 -0.135950  0
27、pandas.HDFStore.infofungsi
27-1. Tata Bahasa
  1. # 27、pandas.HDFStore.info函数
  2. HDFStore.info()
  3. Print detailed information on the store.
  4.  
  5. Returns:
  6. str
27-2.Parameter

tidak ada

27-3.Fungsi

Memberikan informasi mendetail tentang kumpulan data (juga disebut kunci atau node) yang disimpan dalam file HDF5.

27-4.Nilai pengembalian

Tidak ada nilai kembalian langsung (yaitu, tidak ada data yang dikembalikan ke variabel), tetapi informasinya dicetak ke konsol (atau keluaran standar).

27-5.Deskripsi

tidak ada

27-6.Penggunaan
27-6-1.Penyiapan data
无
27-6-2.Contoh kode
  1. # 27、pandas.HDFStore.info函数
  2. import pandas as pd
  3. import numpy as np
  4. # 创建一个包含随机数的数据帧
  5. data = pd.DataFrame({
  6.     'A': np.random.randn(100),
  7.     'B': np.random.randn(100),
  8.     'C': np.random.randn(100),
  9.     'D': np.random.randint(0, 2, 100)
  10. })
  11. # 将数据写入HDF5文件
  12. with pd.HDFStore('example.h5') as store:
  13.     store.put('data', data, format='table')
  14. # 使用HDFStore.info()函数获取HDF5文件的信息
  15. with pd.HDFStore('example.h5') as store:
  16.     # 打印存储的信息
  17.     store.info()
  18.     # 读取数据以确认
  19.     all_data = store.select('data')
  20.     print("nAll data (first 5 rows):")
  21.     print(all_data.head())
27-6-3
  1. # 27、pandas.HDFStore.info函数
  2. # All data (first 5 rows):
  3. #           A         B         C  D
  4. # 0 -1.186803 -0.983345  0.661022  1
  5. # 1  0.549244 -0.429500 -0.022329  1
  6. # 2  1.408989  0.779268  0.079574  1
  7. # 3 -1.178696  0.918125  0.174332  0
  8. # 4 -0.538677 -0.124535 -1.165208  1

2. Bacaan yang dianjurkan

1、Perjalanan pembangunan pondasi Python
2、Tur fungsi Python
3、Perjalanan Algoritma Python
4、Perjalanan ajaib python
5、Profil blog

Profil pribadi

Ia telah mengabdikan dirinya untuk meneliti teknologi selama lebih dari 30 tahun, dan mahir dalam berbagai bahasa seperti java, linux, javascript, php, css, dll. "Saya telah memberikan banyak kontribusi di bidang dokumentasi pengembang stasiun sumber terbuka untuk berbagi beberapa masalah dalam pengembangan teknologi untuk referensi di masa mendatang. Semua orang memeriksanya

informasi kontak saya

Surat