如何根据文件名中的日期合并h5数据numpy arrays？

Question

我有数百个 .h5 文件，文件名中有日期（例如 ..20221017...）。 对于每个文件，我都将一些参数提取到格式为 numpy 的数组中

[[param_1a, param_2a...param_5a],
  ... 
 [param_1x, param_2x,...param_5x]] 

代表感兴趣的数据。 我想按月对数据进行分组，所以我没有（例如）30 个 arrays 一个月，而是有 1 个数组代表 30 个 arrays 的平均值。我该怎么做？

这是我到目前为止的代码，filename 代表文件名的 txt 文件。

def combine_months(filename):
    fin = open(filename, 'r')
    next_name = fin.readline()
    while (next_name != ""):
        year = next_name[6:10]
        month = next_name[11:13]
        date = month+'\\'+year
        #not sure where to go from here
    fin.close()

我希望实现的一个例子是，array_1、array_2、array_3 是 numpy arrays，代表来自文件名日期相同月份的不同 h5 文件的数据。

array_1 = [[ 1  4 10]
           [ 2  5 11]
           [3  6 12]]
array_2 = [[ 1  2 5]
           [ 2  2 3]
           [ 3  6 12]]
array_3 = [[ 2  4 10]
           [ 3  2 3]
           [ 4  6 12]]

我希望结果看起来像：

2022_04_data = [[1,3,7.5]
                [2, 2, 6.5]
                [3,4,7.5]
                [4,6,12]]

请注意，每行的第一个数字代表一个 ID，因此我也需要根据第一个数字将这些数据分组在一起。

Answer 1

好的，这是答案的开始。 （我怀疑您在研究细节时可能会有更多问题。）

有几种方法可以获取文件名。 您可以将它们放在一个文件中，但是使用glob.iglob() function 更容易（并且更好的恕我直言）。下面有 2 个示例说明如何：1) 打开每个文件，2) 从数据中读取data数据集到一个数组，和 3) append 数组到一个列表。 第一个示例在列表中包含文件名。 第二个使用glob.iglob() function 来获取文件名。 （您也可以使用glob.glob()创建名称列表。）

方法一：从列表中读取文件名

import h5py
arr_list = []
for h5file in ['20221001.h5', '20221002.h5', '20221003.h5']:    
    with h5py.File(h5file,'r') as h5f:    
        arr = h5f['data'][()]
        #print(arr)
        arr_list.append(arr)

方法二：使用glob.iglob()获取使用通配符名称的文件

import h5py
from glob import iglob 
arr_list = []
for h5file in iglob('202210*.h5'):    
    with h5py.File(h5file,'r') as h5f:    
        print(h5f.keys()) # to get the dataset names from the keys
        arr = h5f['data'][()]
        #print(arr)
        arr_list.append(arr)

在将数据集读入 arrays 后，您遍历列表，进行计算并根据结果创建一个新数组。 下面的代码显示了如何获取shape和dtype 。

for arr in arr_list:
# do something with the data based on column 0 value
    print(arr.shape, arr.dtype)

下面的代码显示了一种对具有匹配列 0 值的行求和的方法。 没有更多细节，很难准确地展示如何做到这一点。 它将所有列 0 值读入排序列表，然后使用大小计数和总和 arrays，然后作为正确行的索引。

# first create a list from column 0 values, then sort
row_value_list = []
for arr in arr_list:
    col_vals = arr[:,0]
    for val in col_vals:
        if val not in row_value_list:
            row_value_list.append(val)
# Sort list of column IDs
row_value_list.sort()

# get length index list to create cnt and sum arrays
a0 = len(row_value_list) 
# get shape and dtype from 1st array, assume constant for all
a1 = arr_list[0].shape[1] 
dt = arr_list[0].dtype

arr_cnt = np.zeros(shape=(a0,a1),dtype=dt)
arr_cnt[:,0] = row_value_list
arr_sum = np.zeros(shape=(a0,a1),dtype=dt)
arr_sum[:,0] = row_value_list
for arr in arr_list:
    for row in arr:
        idx = row_value_list.index(row[0])
        arr_cnt[idx,1:] += 1
        arr_sum[idx,1:] += row[1:]
        
print('Count Array\n',arr_cnt)
print('Sum Array\n',arr_sum)

arr_ave = arr_sum/arr_cnt
arr_ave[:,0] = row_value_list
print('Average Array\n',arr_ave)

这是从集合创建row_value_list的另一种方法。 它更简单，因为集合不保留重复值，因此在将它们添加到row_value_set时不必检查现有值。

# first create a set from column 0 values, then create a sorted list
row_value_set = set()
for arr in arr_list:
    col_vals = set(arr[:,0])
    row_value_set = row_value_set.union(col_vals)
row_value_list = sorted(row_value_set)

Answer 2

这是一个新的、更新的答案，解决了关于计算中位数的评论/请求。 （它还计算均值，并且可以轻松扩展以计算掩码数组的其他统计数据。）

正如我在 2022 年 11 月 4 日的评论中指出的那样，“从我的第一个答案开始，很快就变得复杂且难以理解”。 这个过程与第一个答案相似但不同。 它使用glob来获取文件名列表（而不是iglob ）。 它不是将 H5 数据集加载到 arrays 的列表中，而是将所有数据加载到一个数组中（数据“堆叠”在 0 轴上。）。 我认为这不会增加 memory 的占用空间。 但是，如果加载大量非常大的数据集进行分析，memory 可能会成为问题。

程序概要：

1. 使用glob.glob()将文件名加载到基于通配符的列表中
2. 根据文件的数量和 1 个数据集的大小分配一个数组来保存所有数据 ( arr_all )。
3. 循环遍历所有 H5 文件，加载数据到arr_all
4. 创建唯一组 ID 的排序列表（第 0 列值）
5. 根据 arr_all 中唯一行 ID 的数量和列的arr_all ，分配 arrays 以保存平均值/中值（ arr_mean和arr_median ）。
6. 循环 ID 列表中的值，然后：
   一种。 创建屏蔽数组 ( mask )，其中第 0 列值 = 循环值
   b. 广播mask以匹配arr_all形状然后应用创建ma_arr_all
   c。遍历ma_arr_all的列，压缩以获得未屏蔽的值，然后计算均值和中值并保存。

代码如下：

import h5py
from glob import glob 
import numpy as np

#  use glob.glob() to get list of files using wildcard names
file_list = glob('202210*.h5')
with h5py.File(file_list[0],'r') as h5f:
    a0, a1 = h5f['data'].shape
    # allocate array to hold values from all datasets
    arr_all = np.zeros(shape=(len(file_list)*a0,a1), dtype=h5f['data'].dtype)
        
start, stop = 0, a0
for i, h5file in enumerate(file_list):    
    with h5py.File(h5file,'r') as h5f:       
        arr_all[start:stop,:] = h5f['data'][()]
        start += a0
        stop += a0

# Create a set from column 0 values, and use to create a sorted list
row_value_list = sorted(set(arr_all[:,0]))

arr_mean = np.zeros(shape=(len(row_value_list),arr_all.shape[1]))
arr_median = np.zeros(shape=(len(row_value_list),arr_all.shape[1]))

col_0 = arr_all[:,0:1]
for i, row_val in enumerate(row_value_list):
    row_mask = np.where(col_0==row_val, False, True ) # True mask value ignores data.
    all_mask= np.broadcast_to(row_mask, arr_all.shape)
    ma_arr_all = np.ma.masked_array(arr_all, mask=all_mask)    
    for j in range(ma_arr_all.shape[1]):
        masked_col = ma_arr_all[:,j:j+1].compressed()
        arr_mean[i:i+1,j:j+1] = np.mean(masked_col)
        arr_median[i:i+1,j:j+1] = np.median(masked_col)
print('Mean values:\n',arr_mean)    
print('Median values:\n',arr_median) 

添加于 2022 年 11 月 22 日：
上面的方法使用了NumPy 1.10中引入的np.broadcast_to() 。 这是以前版本的替代方法。 （替换整个for i, row_val循环。）它应该更高效 memory 。 我还没有配置文件来验证，但是没有创建 arrays all_mask和ma_arr_all 。

for i, row_val in enumerate(row_value_list):
    row_mask = np.where(col_0==row_val, False, True ) # True mask value ignores data.  
    for j in range(arr_all.shape[1]):
        masked_col = np.ma.masked_array(arr_all[:,j:j+1], mask=row_mask).compressed()
        arr_mean[i:i+1,j:j+1] = np.mean(masked_col)
        arr_median[i:i+1,j:j+1] = np.median(masked_col)

我使用 OP 提供的值运行。 下面提供了 Output，这两种方法都相同：

Mean values:
 [[ 1.          3.          7.5       ]
 [ 2.          3.66666667  8.        ]
 [ 3.          4.66666667  9.        ]
 [ 4.          6.         12.        ]]
Median values:
 [[ 1.   3.   7.5]
 [ 2.   4.  10. ]
 [ 3.   6.  12. ]
 [ 4.   6.  12. ]]