Question

我创建了一个包含1000个组的数据集，每个组具有1300个uint8长度可变的数组（尽管每个数组的大小都是固定的）。密钥是约10个字符的字符串。我在保存时不做任何棘手的事情（没有分块，压缩等-数据已经被压缩）。

第一次运行脚本时，对所有键进行迭代的速度非常慢，尽管第二次运行时速度显着提高（相同的脚本，稍后会调用不同的进程），所以我怀疑某种程度上涉及了缓存。一段时间后，性能会恢复到糟糕的水平，直到我再次等待为止。

是否有一种方法可以存储数据来减轻此问题？还是我可以以某种方式不同地阅读它？

要保存的简化代码

with h5py.File('my_dataset.hdf5', 'w') as fp:
    for k0 in keys0:
        group = fp.create_group(k0)
        for k1, v1 in get_items(k0):
            group.create_dataset(k1, data=np.array(v1, dtype=np.uint8))

简化的密钥访问代码：

with h5py.File('my_dataset.hdf5', 'r') as fp:
    keys0 = fp.keys()
    for k0 in keys0:
        group = fp[k0]
        n += len(tuple(group.keys())

如果我在“慢速阶段”期间跟踪此脚本的进度，则每次迭代将花费几乎一秒钟的时间。但是，如果我在100个步骤后杀死了它，那么下次我运行脚本时，前100个步骤要花费<1秒才能全部运行，然后性能会下降到爬网状态。

Answer 1

虽然我仍然不确定为什么它仍然很慢，但是我找到了一种解决方法：将每个子组合并为一个dataset

with h5py.File('my_dataset.hdf5', 'w') as fp:
    for k0 in keys0:
        subkeys = get_subkeys(k0)
        nk = len(subkeys)
        data = fp.create_dataset(
            'data', shape=(nk,),
             dtype=h5py.special_dtype(vlen=np.dtype(np.uint8)))
        keys = fp.create_dataset('keys', shape=(nk,), dtype='S32')
        for i, (k1, v1) in enumerate(get_items(k0)):
            keys[i] = k1
            data[i] = v1

H5PY键读取速度很慢

1 个答案: