H5Py 和存储

Question

我正在编写一些代码，需要将一个非常大的 numpy 数组保存到内存中。事实上，numpy 数组太大了，我无法一次将它全部加载到内存中。但我可以分块计算数组。 IE。我的代码看起来像：

for i in np.arange(numberOfChunks):

   myArray[(i*chunkSize):(i*(chunkSize+1)),:,:] = #... do some calculation

因为我无法一次将 myArray 全部加载到内存中，所以我想一次一个 "chunk" 将它保存到一个文件中。即我想做这样的事情：

for i in np.arange(numberOfChunks):

   myArrayChunk = #... do some calculation to obtain chunk

   saveToFile(myArrayChunk, indicesInFile=[(i*chunkSize):(i*(chunkSize+1)),:,:], filename)

我知道这可以用 h5py 来完成，但我对如何做有点困惑。我目前的理解是我可以这样做：

import h5py

# Make the file
h5py_file = h5py.File(filename, "a")

# Tell it we are going to store a dataset
myArray = h5py_file.create_dataset("myArray", myArrayDimensions, compression="gzip")


for i in np.arange(numberOfChunks):

   myArrayChunk = #... do some calculation to obtain chunk

   myArray[(i*chunkSize):(i*(chunkSize+1)),:,:] = myArrayChunk

但这就是我有点困惑的地方。我读到如果你像我写 myArray[(i*chunkSize):(i*(chunkSize+1)),:,:] 时那样索引一个 h5py 数据类型，那么 myArray 的这一部分现在已经被读入内存。所以可以肯定的是，在上面的循环结束时，我现在还没有在内存中得到整个 myArray 吗？这如何挽救了我的记忆？

同样，稍后，我想一次一个块地读回我的文件，做进一步的计算。即我想做类似的事情：

import h5py

# Read in the file
h5py_file = h5py.File(filename, "a")

# Read in myArray
myArray = h5py_file['myArray']

for i in np.arange(numberOfChunks):

   # Read in chunk
   myArrayChunk = myArray[(i*chunkSize):(i*(chunkSize+1)),:,:]

   # ... Do some calculation on myArrayChunk

但是到这个循环结束时，整个 myArray 现在都在内存中了吗？我对 myArray[(i*chunkSize):(i*(chunkSize+1)),:,:] 何时在内存中以及何时不在内存中感到有些困惑。请有人解释一下。

Answer 1

你有基本的想法。说 "save to memory" 时要小心。 NumPy 数组保存在内存 (RAM) 中。 HDF5 数据保存在磁盘上（不是 memory/RAM！），然后访问（使用的内存取决于您访问的方式）。在第一步中，您将以块的形式创建数据并将其写入磁盘。在第二步中，您将以块的形式从磁盘访问数据。最后提供了工作示例。

使用h5py读取数据时，有2种读取数据的方法：
这个 returns 一个 NumPy 数组：
myArrayNP = myArray[:,:,:]
returns 一个像 NumPy 数组一样运行的 h5py 数据集对象：
myArrayDS = myArray

不同点：h5py数据集对象不是一次全部读入内存。然后，您可以根据需要对它们进行切片。从上面继续，这是获取数据子集的有效操作：
myArrayChunkNP = myArrayDS[i*chunkSize):(i+1)*chunkSize),:,:]

我的示例还纠正了块大小增量方程中的 1 个小错误。你有：
myArray[(i*chunkSize):(i*(chunkSize+1)),:,:] = myArrayChunk
你想要：
myArray[(i*chunkSize):(i+1)*chunkSize),:,:] = myArrayChunk

工作示例（写入和读取）：

import h5py
import numpy as np

# Make the file
with h5py.File("SO_61173314.h5", "w") as h5w:

    numberOfChunks = 3
    chunkSize = 4
    print( 'WRITING %d chunks with w/ chunkSize=%d ' % (numberOfChunks,chunkSize) )
    # Write dataset to disk
    h5Array = h5w.create_dataset("myArray", (numberOfChunks*chunkSize,2,2), compression="gzip")

    for i in range(numberOfChunks):

       h5ArrayChunk = np.random.random(chunkSize*2*2).reshape(chunkSize,2,2)
       print (h5ArrayChunk)

       h5Array[(i*chunkSize):((i+1)*chunkSize),:,:] = h5ArrayChunk


with h5py.File("SO_61173314.h5", "r") as h5r:
    print( '/nREADING %d chunks with w/ chunkSize=%d/n' % (numberOfChunks,chunkSize) )

    # Access myArray dataset - Note: This is NOT a NumpPy array
    myArray = h5r['myArray']

    for i in range(numberOfChunks):

       # Read a chunk into memory (as a NumPy array)
       myArrayChunk = myArray[(i*chunkSize):((i+1)*chunkSize),:,:]

       # ... Do some calculation on myArrayChunk  
       print (myArrayChunk)

H5Py 和存储

H5Py and storage

python

numpy

hdf5

h5py