import pandas as pd
import numpy as np

hdf5 = pd.HDFStore("hello.h5", mode="w", complevel=9)
"""
path: 文件路径
mode: 和python的open函数中的mode一致
complevel: 压缩级别，默认是0到9。值越大，压缩程度越高，那么最终形成的文件所占的体积越小，但是相应的，在读取的时候用的解压缩的时间就越长
"""
# 打印是一个HDFStore对象
print(hdf5) # class 'pandas.io.pytables.HDFStore'>

# 存储数据，可以直接使用赋值的方式
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，还可以使用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函数里面支持如下参数：
key：写入数据的key
value：写入数据的value
format：指定写出的模式，指定为"fixed"，那么速度会快，但是不支持追加和查询。指定为"table"，会以表格的模式写出，速度稍慢，但是支持追加和查询操作
"""

# 我们可以通过items来查看相应属性，类似于字典的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，我们来看keys，查看keys，但是注意：没有values
# 我们发现key是类似于目录一样的东西，名字就是我们设置的名字
# 所以我们可以把HDF5看成是目录，里面不同的目录对应不同的内容
print(hdf5.keys()) # ['/dataframe', '/series']

# 查看元素直接调用即可
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
"""

# 删除某个key，调用remove
hdf5.remove("series")
print(hdf5.keys()) # ['/dataframe']

# 如果想将数据保存到本地，那么调用close方法即可
hdf5.close()
# 查看数据流是否开启，返回False代表关闭了
print(hdf5.is_open) # False

# 另外创建HDF5文件，除了使用HDFStore，还可以通过先有的DataFrame进行操作。需要指定路径和key
# df.to_hdf("xx.h5", key="key")

import pandas as pd
import numpy as np

# 将mode改成r即可
hdf5 = pd.HDFStore("hello.h5", mode="r")
# 或者
"""
hdfs = pd.read_hdf("hello.h5", key="xxx")
"""
# 至于操作我们上面已经介绍了