HDF5存储开销

Question

我正在向HDF5文件中写入大量的小数据集，并且生成的文件大小大约是我对所放入数据的天真列表所期望的10倍。我的数据按层次结构组织如下：

group 0
    -> subgroup 0
        -> dataset (dimensions: 100 x 4, datatype: float)
        -> dataset (dimensions: 100, datatype: float)
    -> subgroup 1
        -> dataset (dimensions: 100 x 4, datatype: float)
        -> dataset (dimensions: 100, datatype: float)
    ...
group 1
...

每个子组应占用500 * 4 Bytes = 2000 Bytes，忽略开销。我不会在数据旁边存储任何属性。然而，在测试中，我发现每个子组占用大约4 kB，或者​​大约是我期望的两倍。我知道有一些开销，但它来自哪里，我怎样才能减少它？是代表群体结构吗？

更多信息： 如果我将每个子组中两个数据集的维度增加到1000 x 4和1000，则每个子组占用大约22,250个字节，而不是我期望的平坦20,000个字节。这意味着每个子组的开销为2.2 kB，并且与我使用较小数据集大小获得的结果一致。有没有办法减少这种开销？

Answer 1

我会回答我自己的问题。仅仅表示组结构的开销足以存储小数组，或者有许多组，每个组只包含少量数据。似乎没有任何方法可以减少每组的开销，我测量的大约是2.2 kB。

我通过将每个子组中的两个数据集组合成一个（100 x 5）数据集来解决此问题。然后，我删除了子组，并将每个组中的所有数据集组合成一个3D数据集。因此，如果我以前有N个子组，我现在每组有一个数据集，形状（N x 100 x 5）。因此，我保存了先前存在的N * 2.2 kB开销。此外，由于HDF5的内置压缩对于更大的阵列更有效，我现在获得了优于1：1的整体打包率，而之前，开销占用文件空间的一半，压缩完全无效。

本课程旨在避免HDF5文件中复杂的组结构，并尝试将尽可能多的数据组合到每个数据集中。