问题描述
我有一些非常大的 hdf 文件(10e9 行,大约 100Gb)包含 [X,Y,Z,Sensor_0,...,Sensor_n] 值。 对于处理,我使用 vaex,这给了我很好和快速的结果。 但是,我正在努力解决以下问题:
我还没有找到只用 df 的每第 n 行创建一个新表达式对象的方法。在 Pandas 中,我会这样做:df_new_nth_X = df.X[::50] 只获取新 df 的每 50 个值,这对于我的 df 来说显然非常消耗内存。
所以我想“过滤”vaex df,或者在制作一个数组之前制作一个只包含第n个值的表达式对象。
这些问题似乎是非常基本的问题,但在阅读文档后我还没有找到解决方案。我什至不确定这对于内存映射对象是否可行...
最好的问候 巴斯蒂安
解决方法
你可以用一个很好的技巧来实现你想要的。考虑以下代码:
import vaex
# Example df that comes with vaex
df = vaex.example()
# Add a virtual index (takes no memory)
df['index'] = vaex.vrange(len(df))
# Make a filter / selection based on that index
# So getting one every 50 rows for example you can do
df[df.index % 50 == 0]['FeH'].values