我有一个处理脚本,用于提取类型为" uint16"的二进制数据文件。并且一次以6400块进行各种处理。该代码最初是用Matlab编写的,但由于分析代码是用Python编写的,我们希望通过在Python中完成所有工作来简化流程。问题是我注意到我的Python代码比Matlab的fread函数慢得多。
简单地说就是Matlab代码:
fid = fopen(filename);
frame = reshape(fread(fid,80*80,'uint16'),80,80);
虽然我的Python代码很简单:
with open(filename, 'rb') as f:
frame = np.array(unpack("H"*6400, f.read(12800))).reshape(80, 80).astype('float64')
文件大小从500 MB变化很大 - > 400 GB所以我相信找到一种更快的方法来解析Python中的数据可以为较大的文件带来好处。 500 MB通常具有~50000个块,并且该数量随文件大小线性增加。我看到的速度差异大致是:
Python = 4 x 10^-4 seconds / chunk
Matlab = 6.5 x 10^-5 seconds / chunk
随着时间的推移,处理显示Matlab比我实施的Python方法快约5倍。我已经探索了诸如numpy.fromfile和numpy.memmap之类的方法,但是因为这些方法需要在某些时候将整个文件打开到内存中,所以它限制了用例,因为我的二进制文件非常大。有没有一些pythonic方法可以做到这一点,我错过了?我本以为Python在打开+读取二进制文件方面会非常快。任何意见是极大的赞赏。
答案 0 :(得分:2)
将一个块写入文件:
In [117]: dat = np.random.randint(0,1028,80*80).astype(np.uint16)
In [118]: dat.tofile('test.dat')
In [119]: dat
Out[119]: array([266, 776, 458, ..., 519, 38, 840], dtype=uint16)
按照您的方式导入:
In [120]: import struct
In [121]: with open('test.dat','rb') as f:
...: frame = np.array(struct.unpack("H"*6400,f.read(12800)))
...:
In [122]: frame
Out[122]: array([266, 776, 458, ..., 519, 38, 840])
使用fromfile
导入
In [124]: np.fromfile('test.dat',count=6400,dtype=np.uint16)
Out[124]: array([266, 776, 458, ..., 519, 38, 840], dtype=uint16)
比较时间:
In [125]: %%timeit
...: with open('test.dat','rb') as f:
...: ...: frame = np.array(struct.unpack("H"*6400,f.read(12800)))
...:
1000 loops, best of 3: 898 µs per loop
In [126]: timeit np.fromfile('test.dat',count=6400,dtype=np.uint16)
The slowest run took 5.41 times longe....
10000 loops, best of 3: 36.6 µs per loop
fromfile
要快得多。
没有struct.unpack
的{{1}}的时间是266μs;仅适用于np.array
,23。因此f.read
加上更通用且更强大的unpack
需要花费更长的时间。文件读取本身不是问题。 (np.array
可以处理多种输入,列表列表,对象列表等,因此必须花费更多时间来解析和评估输入。)
np.array
上稍微更快的变体是您的阅读加fromfile
:
frombuffer