import pandas as pd
import numpy as np

hdf5 = pd.HDFStore("hello.h5", mode="w", complevel=9)
"""
path: 文件路徑
mode: 和python的open函數(shù)中的mode一致
complevel: 壓縮級(jí)別，默認(rèn)是0到9。值越大，壓縮程度越高，那么最終形成的文件所占的體積越小，但是相應(yīng)的，在讀取的時(shí)候用的解壓縮的時(shí)間就越長(zhǎng)
"""
# 打印是一個(gè)HDFStore對(duì)象
print(hdf5) # <class 'pandas.io.pytables.HDFStore'>

# 存儲(chǔ)數(shù)據(jù)，可以直接使用賦值的方式
hdf5["series"] = pd.Series([1, 2, 3, 4, 5])
hdf5["dataframe"] = pd.DataFrame(np.random.randint(3, 10, size=(8, 4)))
# 除此之外，還可以使用put的方式
"""
hdf5.put("series", pd.Series([1, 2, 3, 4, 5]))
hdf5.put("dataframe", pd.DataFrame(np.random.randint(3, 10, size=(8, 4))))

put函數(shù)里面支持如下參數(shù)：
key：寫入數(shù)據(jù)的key
value：寫入數(shù)據(jù)的value
format：指定寫出的模式，指定為"fixed"，那么速度會(huì)快，但是不支持追加和查詢。指定為"table"，會(huì)以表格的模式寫出，速度稍慢，但是支持追加和查詢操作
"""

# 我們可以通過(guò)items來(lái)查看相應(yīng)屬性，類似于字典的items
print(list(hdf5.items()))
"""
File path: hello.h5

[('/dataframe', /dataframe (Group) ''
 children := ['axis0' (CArray), 'axis1' (CArray), 'block0_values' (CArray), 'block0_items' (CArray)]), ('/series', /series (Group) ''
 children := ['index' (CArray), 'values' (CArray)])]
"""
# items不太好看，我們來(lái)看keys，查看keys，但是注意：沒有values
# 我們發(fā)現(xiàn)key是類似于目錄一樣的東西，名字就是我們?cè)O(shè)置的名字
# 所以我們可以把HDF5看成是目錄，里面不同的目錄對(duì)應(yīng)不同的內(nèi)容
print(hdf5.keys()) # ['/dataframe', '/series']

# 查看元素直接調(diào)用即可
print(hdf5["dataframe"])
"""
  0 1 2 3
0 4 8 5 6
1 4 6 7 9
2 6 3 9 4
3 8 9 3 9
4 6 6 3 4
5 6 9 9 8
6 4 8 9 6
7 9 5 8 8
"""

# 刪除某個(gè)key，調(diào)用remove
hdf5.remove("series")
print(hdf5.keys()) # ['/dataframe']

# 如果想將數(shù)據(jù)保存到本地，那么調(diào)用close方法即可
hdf5.close()
# 查看數(shù)據(jù)流是否開啟，返回False代表關(guān)閉了
print(hdf5.is_open) # False

# 另外創(chuàng)建HDF5文件，除了使用HDFStore，還可以通過(guò)先有的DataFrame進(jìn)行操作。需要指定路徑和key
# df.to_hdf("xx.h5", key="key")

import pandas as pd
import numpy as np

# 將mode改成r即可
hdf5 = pd.HDFStore("hello.h5", mode="r")
# 或者
"""
hdfs = pd.read_hdf("hello.h5", key="xxx")
"""
# 至于操作我們上面已經(jīng)介紹了