numpy数组最快的保存和加载选项

Question

我有一个脚本，生成numpy array带有dtype=float和形状为的二维s (1e3, 1e6)。现在，我正在使用阵列np.save并np.load执行IO操作。但是，这些功能对于每个阵列都需要花费几秒钟。是否有更快的方法来保存和加载整个数组（即，无需假设其内容并减少它们）？我愿意array在保存之前将s转换为另一种类型，只要准确保留数据即可。

Answer 1

对于真正的大型阵列，我听说过几种解决方案，它们大多是对I / O懒惰：

• NumPy.memmap，将大数组映射为二进制形式
  • 优点：
  • 除Numpy外没有其他依赖项
  • 透明替换ndarray（任何接受ndarray的类都接受memmap）
  • 缺点：
  • 您的阵列块限制为2.5G
  • 仍然受Numpy吞吐量限制

• 将Python绑定用于HDF5（一种支持大数据的文件格式，如PyTables或h5py）

  • 优点：
  • 格式支持压缩，索引和其他超好功能
  • 显然，最终的PetaByte大文件格式
  • 缺点：
  • 学习曲线的层次结构？
  • 必须定义您的性能需求（请参阅下文）

  • Python的酸洗系统（出于种族，而不是为了速度而提及）

  • 优点：

  • 这是Pythonic！（哈哈）
  • 支持各种物体
  • 缺点：
  • 可能比其他对象慢（因为针对任何对象而不是数组）

从NumPy.memmap的文档中：

创建到存储在磁盘上的二进制文件中的数组的内存映射。

内存映射文件用于访问磁盘上大文件的小片段，而无需将整个文件读入内存

memmap对象可以在接受ndarray的任何地方使用。给定任何memmap fp，isinstance(fp, numpy.ndarray)
返回True。

HDF5阵列

从h5py文档

使您可以存储大量的数值数据，并轻松地从NumPy处理该数据。例如，您可以将磁盘上存储的多TB数据集切片，就像它们是真实的NumPy数组一样。数千个数据集可以存储在一个文件中，可以根据需要进行分类和标记。

该格式支持以各种方式压缩数据（为同一I / O读取加载更多位），但这意味着数据变得不那么容易单独查询，但在您的情况下（纯加载/转储数组），它可能会有效