Question

我是python的新手，来自matlab。我有一个以matlab v7.3（HDF5）格式保存的大型稀疏矩阵。到目前为止，我已使用h5py和tables在文件中找到了两种加载方式。然而，在矩阵上运行似乎非常缓慢。例如，在matlab中：

>> whos     
  Name           Size                   Bytes  Class     Attributes

  M      11337x133338            77124408  double    sparse    

>> tic, sum(M(:)); toc
Elapsed time is 0.086233 seconds.

使用表格：

t = time.time()
sum(f.root.M.data)
elapsed = time.time() - t
print elapsed
35.929461956

使用h5py：

t = time.time()
sum(f["M"]["data"])
elapsed = time.time() - t
print elapsed

（我放弃了等待......）

[编辑]

根据@bpgergo的评论，我应该补充一点，我已尝试将h5py（f）加载的结果转换为numpy数组或{{1稀疏数组有以下两种方式：

scipy

或

from scipy import sparse
A = sparse.csc_matrix((f["M"]["data"], f["M"]["ir"], f["tfidf"]["jc"]))

但这两项操作都非常慢。

这里有什么我想念的吗？

Answer 1

你的大多数问题是你正在使用python sum什么是有效的内存映射数组（即它在磁盘上，而不是在内存中）。

首先，您要比较从磁盘读取内容到读取内存中所需内容所需的时间。如果要与在matlab中进行的操作进行比较，首先将数组加载到内存中。

其次，python的内置sum对于numpy数组非常无效。（或者，相反，迭代遍历numpy数组的每个项目非常慢，这就是python的内置sum正在做的事情。）使用numpy.sum(yourarray)或yourarray.sum()代替numpy数组。

举个例子：

（使用h5py，因为我对它更熟悉。）

import h5py
import numpy as np

f = h5py.File('yourfile.hdf', 'r')
dataset = f['/M/data']

# Load the entire array into memory, like you're doing for matlab...
data = np.empty(dataset.shape, dataset.dtype)
dataset.read_direct(data)

print data.sum() #Or alternately, "np.sum(data)"

Answer 2

后人的最终答案：

import tables, warnings
from scipy import sparse

def load_sparse_matrix(fname) :
    warnings.simplefilter("ignore", UserWarning) 
    f = tables.openFile(fname)
    M = sparse.csc_matrix( (f.root.M.data[...], f.root.M.ir[...], f.root.M.jc[...]) )
    f.close()
    return M

Answer 3

你错过了numpy http://www.scipy.org/NumPy_for_Matlab_Users

将使用-v7.3（HDF5）保存的Matlab稀疏矩阵加载到Python中并对其进行操作

3 个答案: