Python、特に HDF5 を使用した Pandas が、時系列モデリングを行うのに適切な環境であるかどうかを調査しています...結果として、これらのいずれについても (まだ!) 経験がほとんどありません。愚かな質問を許してください。
端的に言えば、ダミー データを HDF5 ファイルに挿入する最も基本的な処理を行っても、いくつか問題が発生しました。別の投稿で提供されたコードに従っていましたが、storer 形式で記述しようとすると、コードの実行がハングします。テーブル形式はまだ試していません。まずこれを機能させたいと思います。次のファイルを実行しています。
test_put.py:
from IPython.core.debugger import Tracer; debugStart = Tracer()
import pandas as pd
import numpy as np
import tables
print "Pandas version: " + pd.__version__ # 0.11.0
print "NumPy version: " + np.__version__ # 1.7.1
print "Tables version: " + tables.__version__ # 2.4.0
df = pd.DataFrame(np.random.randn(1000 * 1000, 100),
index=range(int(1000 * 1000)),
columns=['E%03d' % i for i in xrange(100)])
for x in range(20):
df['String%03d' % x] = 'string%03d' % x
def test_storer_put():
store = pd.HDFStore('test_put.h5','w')
debugStart()
store['df'] = df
store.close()
def test_table_put():
store = pd.HDFStore('test_put.h5','w')
store.put('df',df,table=True)
store.close()
test_storer_put()
以下に貼り付けたように、ぶら下がっている行へのコールスタックを取得しました。この行は cPickle を呼び出していますが、これは何らかのコンパイル済みライブラリであると想定しています。これ以上 ('s' を使用して) この行に足を踏み入れることはできないので、問題が何であるかについての考えがありません。
~/test_put.py(20)test_storer_put()
18 store = pd.HDFStore('test_put.h5','w')
19 debugStart()
---> 20 store['df'] = df
21 store.close()
22
~/anaconda/lib/python2.7/site-packages/pandas/io/pytables.py(241)__setitem__()
239
240 def __setitem__(self, key, value):
--> 241 self.put(key, value)
242
243 def __delitem__(self, key):
~/anaconda/lib/python2.7/site-packages/pandas/io/pytables.py(536)put()
534 table
535 """
--> 536 self._write_to_group(key, value, table=table, append=append, **kwargs)
537
538 def remove(self, key, where=None, start=None, stop=None):
~/anaconda/lib/python2.7/site-packages/pandas/io/pytables.py(871)_write_to_group()
869 raise ValueError('Compression not supported on non-table')
870
--> 871 s.write(obj = value, append=append, complib=complib, **kwargs)
872 if s.is_table and index:
873 s.create_index(columns = index)
~/anaconda/lib/python2.7/site-packages/pandas/io/pytables.py(2005)write()
2003 blk = data.blocks[i]
2004 # I have no idea why, but writing values before items fixed #2299
-> 2005 self.write_array('block%d_values' % i, blk.values)
2006 self.write_index('block%d_items' % i, blk.items)
2007
~/anaconda/lib/python2.7/site-packages/pandas/io/pytables.py(1799)write_array()
1797 vlarr = self._handle.createVLArray(self.group, key,
1798 _tables().ObjectAtom())
-> 1799 vlarr.append(value)
1800 elif value.dtype.type == np.datetime64:
1801 self._handle.createArray(self.group, key, value.view('i8'))
~/anaconda/lib/python2.7/site-packages/tables/vlarray.py(462)append()
460 atom = self.atom
461 if not hasattr(atom, 'size'): # it is a pseudo-atom
--> 462 sequence = atom.toarray(sequence)
463 statom = atom.base
464 else:
~/anaconda/lib/python2.7/site-packages/tables/atom.py(1000)toarray()
998
999 def toarray(self, object_):
-> 1000 buffer_ = self._tobuffer(object_)
1001 array = numpy.ndarray( buffer=buffer_, dtype=self.base.dtype,
1002 shape=len(buffer_) )
> ~/anaconda/lib/python2.7/site-packages/tables/atom.py(1112)_tobuffer()
1110
1111 def _tobuffer(self, object_):
-> 1112 return cPickle.dumps(object_, cPickle.HIGHEST_PROTOCOL)
1113
1114 def fromarray(self, array):
ぶら下がっている行のスコープ内の引数は次のとおりです。
ipdb> a
self = ObjectAtom()
object_ = [['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']
['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']
['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']
...,
['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']
['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']
['string000' 'string001' 'string002' ..., 'string017' 'string018'
'string019']]
コードを段階的に見てBlockManagerStorer.write()いくと、上記のコール スタックの約半分にあるメソッドが 2 セットのデータ ブロック (2002 ～ 2006 行) をループしていることに気付きました。最初のループは正常に実行され、ハングするのは 2 番目のループです。さらに、GenericStorer.write_array()次のスタックダウンで呼び出されるメソッドはvalue.dtype.type == 'numpy.float64'、最初のパスではありますがvalue.dtype.type == 'numpy.object'、2 番目のパスでは、io/pytables.py の 1785 行目の別の分岐につながります。EDIT：最初のパスは〜800メガファイルを書き込んでいるので、予想される出力ファイルのほとんどのように見えます。
最後に、これがアーキテクチャ/ソフトウェア フレーバーに関連する場合。私は以下を実行しています：
マシン: 仮想マシン、1 CPU、4Gb RAM、64 ビット
OS : Red Hat Enterprise Linux 6 (64 ビット)
ソフトウェア: Python、Pandas、PyTables など、数日前から anaconda 経由でインストール。関連するバージョン番号が上記のスクリプトに (コメントとして!) 印刷されていることを願っていますが、他のバージョン番号が適切かどうか教えてください。
ジェームズの助けのためのTIA