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 memory。 numpy 数组实际上太大了，以至于我无法一次将其全部加载到 memory 中。 但我可以分块计算数组。 即我的代码看起来像：

for i in np.arange(numberOfChunks):

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

由于我无法一次将myArray加载到 memory 中，因此我想一次将其保存到一个“块”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完成，但我有点困惑如何做到这一点。 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

但这就是我变得有点困惑的地方。 我已经读过，如果您像我在编写myArray[(i*chunkSize):(i*(chunkSize+1)),:,:]时那样索引h5py数据类型，那么myArray的这一部分现在已被读入 memory . 所以可以肯定的是，在我上面的循环结束时，我现在还没有在 memory 中得到整个myArray吗？ 这如何拯救了我的 memory？

同样，稍后，我想一次将一个块读入我的文件，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 memory 中了吗？ 我对myArray[(i*chunkSize):(i*(chunkSize+1)),:,:]何时在 memory 中以及何时不在时感到有些困惑。 请有人解释一下。

Answer 1

你有基本的想法。 说“保存到内存”时要小心。 NumPy arrays 保存在 memory (RAM) 中。 HDF5 数据保存在磁盘上（而不是内存/RAM）。 然后访问（使用的内存取决于您的访问方式）。 在第一步中，您将创建数据块并将其写入磁盘。 在第二步中，您将从磁盘中分块访问数据。 最后提供的工作示例。

使用h5py读取数据时，有两种读取数据的方法：
这将返回一个 NumPy 数组：
myArrayNP = myArray[:,:,:]
这将返回一个 h5py 数据集 object，其操作类似于 NumPy 数组：
myArrayDS = myArray

区别：h5py 数据集对象不会一次全部读入 memory。 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。 你有过：
myArray[(i*chunkSize):(i*(chunkSize+1)),:,:] = myArrayChunk
你要：
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)