我有一个关于如何使用python / h5py最好地写入hdf5文件的问题 .
我有以下数据:
-----------------------------------------
| timepoint | voltage1 | voltage2 | ...
-----------------------------------------
| 178 | 10 | 12 | ...
-----------------------------------------
| 179 | 12 | 11 | ...
-----------------------------------------
| 185 | 9 | 12 | ...
-----------------------------------------
| 187 | 15 | 12 | ...
...
大约10 ^ 4列,大约10 ^ 7行 . (大约10 ^ 11(1000亿)个元素,或者~100GB,1个字节的整数) .
使用这些数据,典型的使用几乎是一次写入,多次读取,典型的读取案例是获取第1列和另一列(比如254),将两列加载到内存中,并做一些奇特的统计 .
我认为一个好的hdf5结构将使上表中的每列都是hdf5组,从而产生10 ^ 4组 . 这样我们就不需要将所有数据都读入内存了,是吗? hdf5结构虽然尚未定义,但它可以是任何东西 .
现在的问题是:我一次收到~10 ^ 4行的数据(并且每次都没有完全相同的行数),需要将其逐步写入hdf5文件 . 我该怎么写这个文件?
我正在考虑python和h5py,但如果推荐的话可以使用其他工具 . 正在进行分块的方式,例如
dset = f.create_dataset("voltage284", (100000,), maxshape=(None,), dtype='i8', chunks=(10000,))
然后当另一个10 ^ 4行的块到达时,替换数据集?
或者将每个10 ^ 4行的块存储为单独的数据集更好?或者我真的需要知道最后的行数吗? (这很难获得,但也许可能) .
我可以保释hdf5,如果它也不是适合这项工作的工具,不过我认为一旦尴尬的写作完成,它就会很精彩 .
2 回答
Per the FAQ,您可以使用
dset.resize
扩展数据集 . 例如,正如@unutbu指出的那样,
dset.resize
是一个很好的选择 . 在查看pandas
及其HDF5支持时可能会有效,这可能对您的工作流程有用 . 听起来HDF5是一个合理的选择,但您可能会使用顶部的附加层更好地表达您的问题 .需要考虑的一件大事是数据的方向 . 如果您主要对读取感兴趣,并且主要是按列提取数据,那么听起来您可能想要转置数据,以便在HDF5以行主顺序存储时按行发生读取 .