合并大型 h5 数据集

Question

我有 8 个大型 h5 文件（每个约 100G），每个文件都有许多不同的数据集（比如 'x'、'y'、'z'、'h'）。我想将所有 8 个 'x' 和 'y' 数据集合并到一个 test.h5 和 train.h5 文件中。有没有快速的方法来做到这一点？我总共有 800080 行，所以我首先创建我的火车文件 save_file = h5py.File(os.path.join(base_path,'data/train.h5'),'w',libver='latest') 计算随机拆分后，我创建了数据集：

train_file.create_dataset('x', (num_train, 256, 256, 1))
train_file.create_dataset('y',(num_train,1))

[similarly for test_file]

train_indeces = np.asarray([1]*num_train + [0]*num_test)
np.random.shuffle(train_indeces)

然后我尝试遍历我的 8 个文件并保存 train/test。

    indeces_index = 0
    last_train_index = 0
    last_test_index = 0
    for e in files:
        print(f'FILE:  {e}')
        rnd_file = h5py.File(f'{base_path}data/{e}', 'r', libver='latest')

        for j in tqdm(range(rnd_file['x'].shape[0] )):
            if train_indeces[indeces_index]==1:
                train_file['x'][last_train_index] = rnd_file['x'][j]
                train_file['y'][last_train_index] = rnd_file['y'][j]
                last_train_index+=1
            else:
                test_file['x'][last_test_index] = rnd_file['x'][j]
                test_file['y'][last_test_index] = rnd_file['y'][j]
                last_test_index +=1

            indeces_index +=1
        rnd_file.close()

但根据我的计算，运行需要大约 12 天的时间。有没有（多）更快的方法来做到这一点？提前致谢。

Answer 1

如果我理解你的方法，它有 800,080 次 read/write 操作。大量的“写入”正在杀死您。为了提高性能，您必须重新排序 I/O 操作以每次读取和写入大量数据。

通常我会将整个数据集读入数组，然后将其写入新文件。我通读了您的代码，看到您使用 train_indeces 随机 select 行数据写入 train_file 或 test_file。这使事情“有点”复杂化。 :-)

为了复制随机性，我使用 np.where() 找到训练和测试行。然后我使用 NumPy“花式索引”以数组形式访问数据（在转换为列表之后）。然后，我将该数组写入相应数据集中的下一个空位。（我重复使用了你的 3 个计数器：indeces_index、last_train_index 和 last_test_index 来跟踪事情。）

我认为这会做你想做的事：
[警告：我 99% 确定这会起作用，但它没有用真实数据进行测试。]

for e in files:
    print(f'FILE:  {e}')
    rnd_file = h5py.File(f'{base_path}data/{e}', 'r', libver='latest')
    
    rnd_size = rnd_file['x'].shape[0]
    # get an array with the next "rnd_size" indices
    ind_arr = train_indeces[indeces_index:indeces_index+rnd_size]

    # Get training data indices where index==1
    train_idx = np.where(ind_arr==1)[0]  # np.where() returns a tuple
    train_size = len(train_idx)
    
    x_train_arr = rnd_file['x'][train_idx.tolist()]
    train_file['x'][last_train_index:last_train_index+train_size] = x_train_arr
    
    y_train_arr = rnd_file['y'][train_idx.tolist()]
    train_file['y'][last_train_index:last_train_index+train_size] = y_train_arr
    
    # Get test data indices where index==0
    test_idx  = np.where(ind_arr==0)[0]   # np.where() returns a tuple
    test_size = len(test_idx)

    x_test_arr = rnd_file['x'][test_idx.tolist()]
    test_file['x'][last_test_index:last_test_index+test_size] = x_test_arr

    y_test_arr = rnd_file['y'][test_idx.tolist()]
    test_file['y'][last_test_index:last_test_index+test_size] = y_test_arr
    
    indeces_index   += rnd_size 
    last_train_index+= train_size
    last_test_index += test_size
  
    rnd_file.close()

您应该考虑使用 Python 的 with/as: 上下文管理器打开文件。使用这个：

with h5py.File(f'{base_path}data/{e}', 'r', libver='latest') as rnd_file:

您不需要 rnd_file.close 上下文管理器。

而不是这个：

rnd_file = h5py.File(f'{base_path}data/{e}', 'r', libver='latest')

合并大型 h5 数据集

Merging large h5 datasets

python

h5py