PyTables

PyTables est construit au-dessus de la bibliothèque HDF5 et le paquet numarray Python.
Il est titulaire d'une interface orientée objet qui, combiné avec le code de Cython C généré augmente la vitesse globale

Caractéristiques :.

• Facile à utiliser
• Support pour le régime NaturalNaming
• Accès facile aux données
• Enregistre mémoire
• les données de structure d'une manière naturelle
• Speedy opérations E / S

Ce qui est nouveau dans cette version:.

• Correction d'un avertissement de comparaison unicode parasite
• Amélioration de la gestion des attributs de chaîne vides. Dans les versions précédentes de PyTables chaîne vide ont été stockés comme scalaire HDF5 attributs ayant la taille et la valeur 1 '& # x5C; 0' (un nul vide chaîne terminée). Maintenant chaîne vide sont stockées en tant HDF5 attributs ayant une taille zéro.
• Ajout d'une nouvelle recette de livre de cuisine et quelques exemples pour enfilage avec PyTables.
• Le redondante: func: `fonction utilsextension.get_indices` a été éliminé (remplacé par: meth:` slice.indices`).
• Laissez indices négatifs dans la sélection de point.
• Index n'a pas été utilisée si elle a prétendu qu'il n'y avait pas de résultats.

Types
• Atomes et Col ne sont générées dynamiquement alors maintenant il est plus facile pour les IDE et outil d'analyse statique pour les traiter.
• Les fonctions de keysort dans IDX-opt.c ont été cythonised utilisant types fusionnés. La perfomance est essentiellement inchangée, mais le code est beaucoup plus simple maintenant.
• Petit tests unitaires réusinage.

Ce qui est nouveau dans la version 3.1.1:

• Améliorations:
• Ne pas créer un tableau temporaire lorsque le paramètre * * obj est pas spécifié dans: meth:. `File.create_array`
• Ajout de deux nouvelles fonctions d'utilité (: func: `tables.nodes.filenode.read_from_filenode` et: func:` tables.nodes.filenode.save_to_filenode`) pour la copie directe du système de fichiers à filenode et vice versa
• Suppression de la file:. `Exemples / imbriquée-iter.py` considéré comme plus utile
• Meilleure détection de l'option de compilation `-msse2`.
• Correction de bugs:
• Correction d'un bug critique qui a provoqué une exception au moment de l'importation.
• La bibliothèque interne Blosc_ a été mis à jour vers la version 1.3.5.

Quoi de neuf dans la version 2.4.0:

• Ajout du support pour le type de données de float16. Il est disponible uniquement si numpy fournit aussi bien (c.-à-numpy & # X3e; = 1,6).

Noeuds
• feuilles ont maintenant attributs pour la récupération de la taille des données dans la mémoire et sur le disque. Les données sur le disque peuvent être compressés, donc les nouveaux attributs, il est facile de calculer la ration de compression de données.

Ce qui est nouveau dans la version 2.3.1:

• Correction d'un bug qui empêchait de lire des ensembles de données scalaires de types inappliquées.
• Correction d'un bug dans `setup.py` qui a causé l'installation de PyTables 2,3 à échouer sur des hôtes à plusieurs versions de Python est installé.

Ce qui est nouveau dans la version 2.3.1 RC1:

• Correction d'un bug qui empêchait de lire des ensembles de données scalaires des types inappliquées.
• Correction d'un bug dans `setup.py` qui a causé l'installation de PyTables 2,3 à échouer sur des hôtes à plusieurs versions de Python est installé.

Ce qui est nouveau dans la version 2.3:

• OPSI est un moteur d'indexation puissant et innovant permettant PyTables à effectuer requêtes rapides sur arbitrairement grandes tables. En outre, il offre une large gamme de niveaux d'optimisation pour ses indices de sorte que l'utilisateur peut choisir le meilleur qui convient à ses besoins (plus ou moins de taille, plus ou moins performance). Code d'indexation prend également parti des capacités de vectorisation des paquets numpy et numexpr pour assurer vraiment courts indexation et de recherche de fois.
• Un cache affiné LRU pour les métadonnées (nœuds) et les données régulier qui vous permet d'atteindre la vitesse maximale pour la navigation intensive de l'arbre de l'objet lors de lectures de données et les requêtes. Il complète le cache déjà efficace présent dans HDF5, même si cela est plus orientée vers les structures de haut niveau qui sont spécifiques à PyTables et qui sont essentiels à la réalisation de très haute performance.