Considere el siguiente ejemplo:

Preparar los datos:

import string
import random
import pandas as pd

matrix = np.random.random((100, 3000))
my_cols = [random.choice(string.ascii_uppercase) for x in range(matrix.shape[1])]
mydf = pd.DataFrame(matrix, columns=my_cols)
mydf['something'] = 'hello_world'

Establezca la compresión más alta posible para HDF5:

store = pd.HDFStore('myfile.h5',complevel=9, complib='bzip2')
store['mydf'] = mydf
store.close()

Guardar también en CSV:

mydf.to_csv('myfile.csv', sep=':')

El resultado es:

myfile.csv es de 5,6 MB grandemyfile.h5 es 11 MB grande

La diferencia crece a medida que los conjuntos de datos se hacen más grandes.

Lo he intentado con otros métodos y niveles de compresión. ¿Es esto un error? (Estoy usando Pandas 0.11 y la última versión estable de HDF5 y Python).