从 Pandas Dataframe 写入格式化的二进制文件

我已经看到了一些将 Python 中的格式化二进制文件读取到 Pandas 的方法， 也就是说，我使用的代码使用 NumPy fromfile 进行读取，该文件使用 dtype 给定的结构进行格式化。

import numpy as np
import pandas as pd

input_file_name = 'test.hst'

input_file = open(input_file_name, 'rb')
header = input_file.read(96)

dt_header = np.dtype([('version', 'i4'),
                      ('copyright', 'S64'),
                      ('symbol', 'S12'),
                      ('period', 'i4'),
                      ('digits', 'i4'),
                      ('timesign', 'i4'),
                      ('last_sync', 'i4')])

header = np.fromstring(header, dt_header)

dt_records = np.dtype([('ctm', 'i4'),
                       ('open', 'f8'),
                       ('low', 'f8'),
                       ('high', 'f8'),
                       ('close', 'f8'),
                       ('volume', 'f8')])
records = np.fromfile(input_file, dt_records)

input_file.close()

df_records = pd.DataFrame(records)
# Now, do some changes in the individual values of df_records
# and then write it back to a binary file

现在，我的问题是如何将其写回新文件。我在 NumPy 中找不到任何函数（在 Pandas 中也没有），它允许我准确指定要在每个字段中写入的字节。

熊猫现在提供多种格式 https://pandas.pydata.org/pandas-docs/stable/user_guide/io.html比 tofile() 更稳定。 tofile() 最适合快速文件存储，您不希望文件在数据可能具有不同字节序（大/小字节序）的不同计算机上使用。

Format Type Data Description     Reader         Writer
text        CSV                  read_csv       to_csv
text        JSON                 read_json      to_json
text        HTML                 read_html      to_html
text        Local clipboard      read_clipboard to_clipboard
binary      MS Excel             read_excel     to_excel
binary      HDF5 Format          read_hdf       to_hdf
binary      Feather Format       read_feather   to_feather
binary      Parquet Format       read_parquet   to_parquet
binary      Msgpack              read_msgpack   to_msgpack
binary      Stata                read_stata     to_stata
binary      SAS                  read_sas    
binary      Python Pickle Format read_pickle    to_pickle
SQL         SQL                  read_sql       to_sql
SQL         Google Big Query     read_gbq       to_gbq

对于中小型文件，我更喜欢 CSV，因为格式正确的 CSV 可以存储任意字符串数据，是人类可读的，并且在实现前两个目标的同时，与任何格式一样简单。

我曾经使用过 HDF5，但如果我在 Amazon，我会考虑使用 Parquet。

使用示例to_hdf https://pandas.pydata.org/pandas-docs/stable/generated/pandas.DataFrame.to_hdf.html:

df.to_hdf('tmp.hdf','df', mode='w')
df2 = pd.read_hdf('tmp.hdf','df')

我不再喜欢 HDF5 格式。长期归档存在严重风险，因为相当复杂 https://cyrille.rossant.net/moving-away-hdf5/。它有 150 页的规范，并且只有一个 300,000 行的 C 实现。

相比之下，只要您只使用 Python 工作，pickle 格式声称具有长期稳定性 https://docs.python.org/3/library/pickle.html:

pickle序列化格式保证是向后的 跨 Python 版本兼容提供了兼容的 pickle 选择协议并且 pickling 和 unpickling 代码处理 Python 2 到 Python 3 类型差异（如果您的数据跨越该唯一值） 打破改变语言的界限。

然而，pickle 允许执行任意代码，因此应谨慎对待来源不明的 pickles。