HDFStore select_as_multiple发生器

Question

问题：如何创建允许在熊猫HDFStore对象中对多个列进行迭代的生成器？

我正在尝试为一个熊猫HDFStore对象创建一个包装类。我正在尝试实现的特性之一是能够按给定的块大小迭代HDFStore中的列组。许多机器学习算法可以操作on-line，而不需要同时使用所有的数据。

我的第一次尝试是创建一个生成器函数，并将开始和停止参数传递给HDFStore的select方法：

def iterate(self, key, chunksize=50000):
    node = self.store.get_node(key)
    nrows = node.table.nrows
    current = 0
    while current < nrows:
        yield self.store.select(key, start=current, stop=current+chunksize)
        current += chunksize

这很好，而且我能够在存储中的单个存储列上迭代。注意，为了测试，我将每一列存储在它自己的表中。

我的下一步是使用HDFStore.select_as_multiple将这个概念扩展到多个表的多个列。虽然没有在docstring中，但select_as_multiple似乎也接受开始和停止参数：

>>> store.select_as_multiple(keys='MachineID', start=0, stop=50000)

<class 'pandas.core.frame.DataFrame'>
Int64Index: 50000 entries, 0 to 49999
Data columns:
MachineID    50000  non-null values
dtypes: int64(1)

根据请求，只返回50 000行。但是，当我传递超过一个键/列时，该方法会将所有行撤回：

>>> store.select_as_multiple(keys=['MachineID','YearMade'], start=0, stop=50000)

<class 'pandas.core.frame.DataFrame'>
Int64Index: 401125 entries, 0 to 1124
Data columns:
MachineID    401125  non-null values
YearMade     401125  non-null values
dtypes: int64(2)

是否可以使用select_as_multiple来提取指定范围的行而不是所有行？

版本信息：

>>> pd.__version__
'0.10.1'

>>> tables.__version__
'2.4.0'

Answer 1

它不能工作，因为没有将开始/停止传递给基础选择。很容易解决。

还意味着添加迭代器支持，以窃取您的功能:)

done https://github.com/pydata/pandas/issues/3078

有文档，但本质上是：

for df in store.select('df',chunksize=10000):
    print df