我正在生成约100万个文本文件,其中包含双打数组,制表符分隔符(这些是用于研究的模拟)。示例输出如下。我希望每百万个文本文件大约为5 TB,这是不可接受的。所以我需要压缩。
但是,我的所有数据分析都将在matlab中完成。每个matlab脚本都需要访问所有这些文本文件。我无法使用C ++解压缩整个百万,然后运行matlab脚本,因为我缺乏高清空间。所以我的问题是,是否有一些非常简单,易于实现的算法或其他方法来减少我的文本文件大小,以便我可以用C ++编写压缩并在matlab中读取它?
示例文本文件
0.0220874 0.00297818 0.000285954 1.70E-05 1.52E-07
0.0542912 0.00880725 0.000892849 6.94E-05 4.51E-06
0.0848582 0.0159799 0.00185915 0.000136578 7.16E-06
0.100415 0.0220033 0.00288016 0.000250445 1.38E-05
0.101889 0.0250725 0.00353148 0.000297856 2.34E-05
0.0942061 0.0256 0.00393893 0.000387219 3.01E-05
0.0812377 0.0238492 0.00392418 0.000418365 4.09E-05
0.0645259 0.0206528 0.00372185 0.000419891 3.23E-05
0.0487525 0.017065 0.00313825 0.00037539 3.68E-05
如果重要..完整的文本文件代表联合概率质量函数,因此它们总和为1.我需要无损压缩。
UPDATE 这是一个IDIOTS指南,用于在C ++中编写二进制文件并阅读Matlab,并提供了一些非常基本的解释。
将小数组写入二进制文件的C ++代码。
#include <iostream>
using namespace std;
int main()
{
float writefloat;
const int rows=2;
const int cols=3;
float JPDF[rows][cols];
JPDF[0][0]=.19493;
JPDF[0][1]=.111593;
JPDF[0][2]=.78135;
JPDF[1][0]=.33333;
JPDF[1][1]=.151535;
JPDF[1][2]=.591355;
JPDF是一个float类型的数组,我保存了6个值。这是一个2x3阵列。
FILE * out_file;
out_file = fopen ( "test.bin" , "wb" );
说实话,我不太了解第一线的作用。它似乎是一个名为out_file的FILE类型的指针。第二行fopen表示创建一个用于写入的新文件(第二个参数的'w'),并使其成为二进制文件(wb的'b')。
fwrite(&rows,sizeof(int),1,out_file);
fwrite(&cols,sizeof(int),1,out_file);
这里我编码我的数组的大小(#rows,#cols)。请注意,我们写入变量行和列的引用,而不是变量本身(&amp;是ref)。第二个参数告诉它要写入多少字节。由于行和列都是int,我使用sizeof(int)。 '1'表示这样做1次。我认为。 out_file是我们写入文件的指针。
for (int i=0; i<3; i++)
{
for (int j=0; j<2; j++)
{
writefloat=JPDF[j][i];
fwrite (&writefloat , sizeof(float), 1, out_file);
}
}
fclose (out_file);
return 0;
}
现在我将遍历我的数组并将每个值以字节为单位写入我的文件。索引有点向后看,我在每个列中迭代而不是在内循环中的列上。我们会在一秒钟内看到原因。我再次编写对writefloat的引用,它在每次迭代中获取当前数组元素的值。由于每个数组元素都是一个浮点数,我在这里使用sizeof(float)而不是sizeof(int)。
只是令人难以置信,愚蠢地清楚,这是我如何看待我们刚刚创建的文件的图表。
[4 bytes: rows][4 bytes: cols][4 bytes: JPDF[0][0]][4 bytes: JPDF[1][0]] ...
[4 bytes: JPDF[1][2]]
..其中每个字节块以二进制(0和1)写入。
在MATLAB中解释:
FID=fopen('test.bin');
sizes=fread(FID,2,'int')
FID类似于指针。偷偷地说,它可能是一个指针。然后我们使用与C ++ fread非常相似的fread。 FID是我们文件的“指针”。 'int'告诉函数每个块包含多少字节。所以sizes=fread(FID,2,'int')
说'用二进制打开FID,读取2个大小为INT字节的块,然后以向量形式返回2个元素。现在,sizes(1)= rows,size(2)= cols。
s=fread(FID,[sizes(1) sizes(2)],'float')
下一部分对我来说并不完全清楚,我想我必须告诉fread跳过包含row / col信息的二进制文件的'header'。但是,它秘密地保持指向你离开的地方的指针。所以现在我清空二进制文件的其余部分,使用我知道数组维度的事实。注意,虽然第二个参数[M,N]是[rows,cols],但fread以“列顺序”读取,这就是我们按列顺序写入数组数据的原因。
如果C ++程序的体系结构与matlab一致(例如,两者都是64位,或者两者都是32位),我认为我只能使用matlab代码'int'和'float'。 。但我不确定这一点。
输出结果为:
sizes =
2
3
s =
0.194930002093315 0.111593000590801 0.781350016593933
0.333330005407333 0.151535004377365 0.59135502576828
答案 0 :(得分:3)
要做到每个数字超过四个字节,您需要确定您需要这些数字的精度。由于它们是概率,它们都在[0,1]中。您应该能够将精度指定为2的幂,例如您需要知道每个概率在实际的2 -n 之内。然后你可以简单地将每个概率乘以2 n ,舍入到最接近的整数,并且只存储该整数中的 n 位。
在最糟糕的情况下,我可以看到每个概率从未显示超过六位数。因此,假设在小数点之后有一个固定的固定精度,则可以将它们编码为20位。将每个概率乘以2 20 (1048576),舍入,并将20位写入文件。每个概率需要2.5个字节。这小于浮点值的四个字节。
无论哪种方式都小于示例文件中每个值11.3字节的平均值。
如果可以利用数据中的已知模式,甚至可以获得更好的压缩效果。假设有任何。我在你的例子中看到,在每一行上,每一步的值都会下降一些因素。如果这是真实的而不仅仅是示例生成的工件,那么您可以连续为每个样本使用更少的位。此外,如果第一个样本实际上总是小于1/8,那么您可以将前三个位从该位上删除,因为这些位始终为零。如果第二列始终小于1/32,则可以将所有这些中的前五位丢弃。等等。假设示例中的大小是所有数据集中的最大值(显然不是真的,但仅仅使用它作为说明性案例),并假设您需要在小数点后面的六位小数,我可以编码每行六个值在50位中,每个概率平均略高于一个字节。
对于最后一个压缩的smidgen,由于值加1,你没有存储最后一个值。
答案 1 :(得分:1)
Matlab可以读取二进制文件。为什么不将文件保存为二进制而不是文本?
将每个号码保存为float
只需要4个字节(如果您正在运行32位Linux),您可以使用双倍但看起来您没有使用完整的双重分辨率。根据您当前的方案,每个数字每个数字消耗一个字节的空间。你的所有数字都很容易超过4个字符长,有些只有10个字符。实施此更改应将文件大小减少50%以上。
此外,您可以考虑使用更为优雅的数据格式,例如HDF5 (more here) supports compression和supported by matlab
<强>更新强>:
C ++中有很多examples个write binary文件,只是google它。 另外,要在Matlab中读取二进制文件,只需使用fread
将数字表示为ascii与binary之间的区别非常简单。所有文件都是使用二进制文件编写的,区别在于如何解释信息。通常使用ASCII读取文本文件,这提供了8位字和字符之间的良好映射。当您看到像"255"
这样的字符串时,您所拥有的是一个字节数组,其中每个字节对数组中的字符进行编码。但是,当您存储数字时,使用不同的字节存储每个数字真的很浪费。单个字节可以存储0-255之间的值。因此,当我可以使用单个字节存储值"255"
时,为什么要使用三个字节来存储字符串255
。
答案 2 :(得分:0)
您可以随时使用标准库(如zlib)压缩所有内容。之后,您可以使用用C ++编写的自定义dll,将您的数据解压缩到可以管理的块中。所以基本上: 数据 - &gt; Zip - &gt; Dll(由Matlab通过LoadLibrary加载) - &gt; Matlab的