使用TsTables与PyTables时Pandas时间序列索引属性错误求助

问题现象 #

使用TsTables结合PyTables创建带Datetime索引的DataFrame并写入H5文件时，执行ts.append(df)触发以下错误：

AttributeError: module 'pandas.tseries' has no attribute 'index'

同时导入TsTables时IDE提示“Unused import statement”（实际是代码中未直接引用导入的tstab变量，不影响功能，但兼容性错误是核心问题）。

错误原因 #

TsTables是2017年停止维护的老旧库，仅适配低版本Pandas。高版本Pandas中，pandas.tseries.index.DatetimeIndex的模块路径已调整，原路径不再存在，导致TsTables的类型判断代码失效。

解决方法 #

1. 降级Pandas到兼容版本 #

安装TsTables适配的Pandas版本（如0.25.x系列）：

pip install pandas==0.25.3

降级后重新运行原代码即可正常执行。

2. 修改TsTables源码（不推荐） #

找到TsTables的安装目录（可通过pip show tstables查看位置），打开tstables.py文件，找到append方法中的类型判断代码：

if rows.index.__class__ != pandas.tseries.index.DatetimeIndex:

修改为高版本Pandas兼容的判断方式：

import pandas as pd
if not isinstance(rows.index, pd.DatetimeIndex):

保存后重启Python环境即可修复该错误。

替代方案（推荐） #

由于TsTables已停止维护，长期来看建议使用以下高性能替代库：

PyTables直接操作 #

利用已导入的tables库手动处理时间序列存储，灵活且兼容高版本：

import numpy as np
import pandas as pd
import tables as tb                  
import datetime as dt

path = r'C:\Users\--------\PycharmProjects\pythonProject2'

# 模拟数据（原代码不变）
no = 5000000
co = 3
interval = 1. / (12 * 30 * 24 * 60)
vol = 0.2
rn = np.random.standard_normal((no, co))
rn[0] = 0.0
paths = 100 * np.exp(np.cumsum(-0.5 * vol ** 2 * interval + vol * np.sqrt(interval) * rn, axis=0))
paths[0] = 100
dr = pd.date_range('2019-1-1', periods=no, freq='1s')
df = pd.DataFrame(paths, index=dr, columns=['ts1', 'ts2', 'ts3'])

# 转换索引为时间戳列
df['timestamp'] = df.index.astype('int64')

# 定义表结构
class ts_desc(tb.IsDescription):
    timestamp = tb.Int64Col(pos=0)
    ts1 = tb.Float64Col(pos=1)
    ts2 = tb.Float64Col(pos=2)
    ts3 = tb.Float64Col(pos=3)

# 写入H5文件
h5 = tb.open_file(path + 'tstab.h5', 'w')
table = h5.create_table('/', 'ts', ts_desc)
table.append(df.to_records(index=False))
table.flush()
h5.close()

# 读取示例
h5 = tb.open_file(path + 'tstab.h5', 'r')
table = h5.root.ts
df_read = pd.DataFrame.from_records(table[:])
df_read.index = pd.to_datetime(df_read['timestamp'])
df_read.drop('timestamp', axis=1, inplace=True)
h5.close()

Pandas HDFStore #

适合中等数据量，操作简单且兼容高版本Pandas：

# 写入
store = pd.HDFStore(path + 'pandas_store.h5')
store.append('ts', df, format='table', data_columns=True)
store.close()

# 读取
store = pd.HDFStore(path + 'pandas_store.h5')
df_read = store['ts']
store.close()

Dask/Vaex #

针对超大规模时间序列数据：

• Dask：支持并行计算与存储，兼容Pandas API，适合分布式场景
• Vaex：零内存加载超大表格，支持HDF5格式，适合单机器处理TB级数据

内容的提问来源于stack exchange，提问作者Rezhes