HDF5 - concurrency, производительность сжатия и ввода/вывода

Ответ 1

Обновлено для использования pandas 0.13.1

1) Нет http://pandas.pydata.org/pandas-docs/dev/io.html#notes-caveats. Существуют различные способы сделать это, например. ваши разные потоки/процессы выписывают результаты вычислений, а затем объединяют один процесс.

2) в зависимости от типа данных, которые вы храните, как вы это делаете и как вы хотите получить, HDF5 может предложить значительно лучшую производительность. Сохраняя в HDFStore как единый массив, данные с плавающей точкой, сжатые (другими словами, не сохраняя их в формате, который позволяет запрашивать), будут быстро сохранены/прочитаны. Даже сохранение в формате таблицы (что замедляет производительность записи), обеспечит неплохую производительность записи. Вы можете посмотреть на это для некоторых подробных сравнений (это то, что HDFStore использует под капотом). http://www.pytables.org/, вот красивое изображение:

(и поскольку PyTables 2.3 теперь индексируются запросы), поэтому perf на самом деле намного лучше, чем этот Поэтому, чтобы ответить на ваш вопрос, если вы хотите какой-либо производительности, HDF5 - это путь.

Запись:

In [14]: %timeit test_sql_write(df)
1 loops, best of 3: 6.24 s per loop

In [15]: %timeit test_hdf_fixed_write(df)
1 loops, best of 3: 237 ms per loop

In [16]: %timeit test_hdf_table_write(df)
1 loops, best of 3: 901 ms per loop

In [17]: %timeit test_csv_write(df)
1 loops, best of 3: 3.44 s per loop

Чтение

In [18]: %timeit test_sql_read()
1 loops, best of 3: 766 ms per loop

In [19]: %timeit test_hdf_fixed_read()
10 loops, best of 3: 19.1 ms per loop

In [20]: %timeit test_hdf_table_read()
10 loops, best of 3: 39 ms per loop

In [22]: %timeit test_csv_read()
1 loops, best of 3: 620 ms per loop

И вот код

import sqlite3
import os
from pandas.io import sql

In [3]: df = DataFrame(randn(1000000,2),columns=list('AB'))
<class 'pandas.core.frame.DataFrame'>
Int64Index: 1000000 entries, 0 to 999999
Data columns (total 2 columns):
A    1000000  non-null values
B    1000000  non-null values
dtypes: float64(2)

def test_sql_write(df):
    if os.path.exists('test.sql'):
        os.remove('test.sql')
    sql_db = sqlite3.connect('test.sql')
    sql.write_frame(df, name='test_table', con=sql_db)
    sql_db.close()

def test_sql_read():
    sql_db = sqlite3.connect('test.sql')
    sql.read_frame("select * from test_table", sql_db)
    sql_db.close()

def test_hdf_fixed_write(df):
    df.to_hdf('test_fixed.hdf','test',mode='w')

def test_csv_read():
    pd.read_csv('test.csv',index_col=0)

def test_csv_write(df):
    df.to_csv('test.csv',mode='w')    

def test_hdf_fixed_read():
    pd.read_hdf('test_fixed.hdf','test')

def test_hdf_table_write(df):
    df.to_hdf('test_table.hdf','test',format='table',mode='w')

def test_hdf_table_read():
    pd.read_hdf('test_table.hdf','test')

Конечно, YMMV.

Ответ 2

Посмотрите pytables, они, возможно, уже сделали много этой работы для вас.

Тем не менее, я не совсем понимаю, как сравнивать hdf и sqlite. hdf - это иерархический формат файла данных +, а sqlite - реляционная база данных.

hdf поддерживает параллельный ввод-вывод на уровне c, но я не уверен, сколько из этого h5py обертывает или будет хорошо работать с NFS.

Если вам действительно нужна очень параллельная реляционная база данных, почему бы просто не использовать настоящий SQL-сервер?