Dask/hdf5: 分组阅读？

Question

我必须读入并独立操作大型 dataframe/numpy 数组的许多块。然而，这些块是以特定的、非统一的方式选择的，并且在 hdf5 文件中自然地分成几组。每个组都足够小以适合内存（尽管即使没有限制，我想标准的分块程序也应该足够了。）

具体来说，而不是

 f = h5py.File('myfile.hdf5')
 x = da.from_array(f['/data'], chunks=(1000, 1000))

我想要更接近于（伪代码）的东西：

 f = h5py.File('myfile.hdf5')
 x = da.from_array(f, chunks=(f['/data1'], f['/data2'], ...,))

http://dask.pydata.org/en/latest/delayed-collections.html 我相信暗示这是可能的，但我仍在阅读和理解 dask/hdf5。

我之前的实现使用了多个 CSV 文件，并根据需要使用自己的多处理逻辑读取它们。我想用 hdf5 将所有这些功能折叠到 dask 中。

hdf5分块group/read可行吗？我的思路可以吗？

Answer 1

我会从许多组中读取许多 dask.arrays 作为单块 dask.arrays，然后连接或堆叠这些组。

f = h5py.File(...)
dsets = [f[dset] for dset in datasets]
arrays = [da.from_array(dset, chunks=dset.shape) for dset in dsets]

HDF5 不是线程安全的，因此让我们使用锁来防止并行读取。在阅读不同的组时，我实际上并没有检查是否有必要这样做。

from threading import Lock
lock = Lock()

arrays = [da.from_array(dset, chunks=dset.shape, lock=lock) 
           for dset in dsets]

array = da.concatenate(arrays, axis=0)

您也可以按照您的建议，使用dask.delayed来完成读取单块的第一步dask.arrays

Dask/hdf5: Read by group?