to_hdf()保存压缩HDF5文件必须设format='table'，再指定complib（如'blosc'）和complevel（1–9整数），否则无效；read_hdf()自动解压，无需且不可传压缩参数。
用 to_hdf() 保存带压缩的 HDF5 文件
Pandas 的 to_hdf() 默认不启用压缩，必须显式指定压缩参数才能减小文件体积。关键不是“能不能”，而是“不设就等于没压”——很多用户保存后发现文件和原始 CSV 差不多大，就是漏了这步。
-
complevel必须设为 1–9 之间的整数（0 表示无压缩），建议从 5 开始试；complib指定压缩库，'blosc'通常比默认的'zlib'更快且压缩率更好（需安装blosc：pip install blosc） -
format='table'是必须的，只有 table 格式支持压缩；format='fixed'不支持任何压缩参数，设了也忽略 - 如果写入时遇到
TypeError: Compression requires format='table'，说明你用了fixed或根本没传format（默认是fixed）
df.to_hdf('data.h5', key='df', format='table',
complib='blosc', complevel=5)
用 read_hdf() 加载时无需额外参数
压缩是存储层特性，加载时 Pandas 自动解压，read_hdf() 完全不用关心 complib 或 complevel。只要文件路径和 key 正确，行为和读普通 HDF5 一样。
- 常见误操作：试图在
read_hdf()里传complib，会直接报错TypeError: read_hdf() got an unexpected keyword argument 'complib' - 如果加载报
KeyError: 'No object named xxx in the file'，先确认保存时用的key和读取时一致，HDF5 的 key 区分大小写，且不能含斜杠
df = pd.read_hdf('data.h5', key='df')
压缩效果和性能权衡要看场景
压缩不是“开就一定好”。complevel=9 虽然体积最小，但写入可能慢 3 倍以上，读取也可能变慢（尤其随机访问 table 格式时）。是否值得压，取决于你的瓶颈在哪：
- 数据长期归档、写一次读多次 → 用
complevel=7+complib='blosc'更划算 - 频繁写入调试数据、本地快速迭代 →
complevel=1或干脆不用压缩 - 内存受限但 CPU 充足（如云函数）→ 选
'blosc'；老机器没装 blosc 库 → 只能用'zlib'，且complevel > 6明显拖慢写入
注意 PyTables 版本和 blosc 依赖
Pandas 的 HDF5 支持底层靠 PyTables，而 PyTables 对 blosc 的支持不是“装了 blosc 就自动可用”。常见卡点：
立即学习“Python免费学习笔记（深入）”；
-
ValueError: complib not supported: blosc→ PyTables 编译时没链接 blosc，重装 PyTables：pip uninstall pytables && pip install --no-binary pytables pytables - 用 conda 环境更稳：conda install pytables blosc
- HDF5 文件跨平台读写一般没问题，但若用
complib='blosc'保存，另一台没装 blosc 的机器用 pandas 读会失败（报IOError类错误），不是 Pandas 问题，是底层 PyTables 解压器缺失
压缩本身不难，难的是记住：format='table' 是前提，complib 是可选但需环境支持，而读取时所有压缩参数都得忘掉——它们只活在写入那一刻。
