PyTables：索引大型数组的多个维度

Posted 2023-03-11

【中文标题】PyTables：索引大型数组的多个维度

【英文标题】：PyTables: indexing multiple dimensions of large arrays

【发布时间】：2012-06-19 12:59:39

【问题描述】：

我正在分析一些成像数据，这些数据由像素强度的大型 3 维数组组成，尺寸为 [frame, x, y]。由于这些通常太大而无法保存在内存中，因此它们作为 PyTables 数组驻留在硬盘上。

我希望能够读取所有帧中任意像素子集的强度。这样做的自然方法似乎是列表索引：

import numpy as np
import tables

tmph5 = tables.open_file('temp.hdf5', 'w')
bigarray = tmph5.create_array('/', 'bigarray', np.random.randn(1000, 200, 100))

roipixels = [[0, 1, 2, 4, 6], [34, 35, 36, 40, 41]]
roidata = bigarray[:, roipixels[0], roipixels[1]]
# IndexError: Only one selection list is allowed

不幸的是，PyTables 目前似乎只支持一组列表索引。另一个问题是列表索引不能包含重复项——我无法同时读取像素[1, 2] 和[1, 3]，因为我的像素x 坐标列表将包含[1, 1]。我知道我可以遍历数组中的行：

roidata = np.asarray([row[roipixels[0], roipixels[1]] for row in bigarray])

但是对于我正在处理的大量帧，这些迭代读取变得非常慢。

有更好的方法吗？我对 PyTables 比较陌生，所以如果您有任何关于在大型数组中组织数据集的技巧，我很想听听。

【问题讨论】：

我认为这实际上是 hdf5 的潜在限制，而不是 pytables 限制（我可能完全错了......）。无论如何，我发现h5py 对于非表格数据来说更自然。但是，在这种情况下，它具有相同的限制。

【参考方案1】：

不管它值多少钱，我经常对以 hdf 格式存储的 3D 地震数据做同样的事情。

由于嵌套循环，迭代读取速度很慢。如果您只执行一个循环（而不是遍历每一行），它会非常快（至少在使用h5py 时。我通常只使用pytables 存储类似表的数据）并且完全按照您的意愿进行操作。

在大多数情况下，您需要遍历索引列表，而不是遍历每一行。

基本上，你想要：

roidata = np.vstack([bigarray[:,i,j] for i,j in zip(*roipixels)])

代替：

roidata = np.asarray([row[roipixels[0],roipixels[1]] for row in bigarray])

如果这是您最常见的用例，调整存储数组的块大小将有很大帮助。在您的情况下，您需要长而窄的块，沿第一个轴的长度最长。

（警告：我没有用 pytables 测试过这个，但它和 h5py 完美匹配。）

【讨论】：

谢谢，乔。我想这可以回答我的问题，但我惊讶地发现你建议的行在我的情况下实际上读起来要慢得多（大约 15 倍）。我不确定这是否是 Pytables 与 h5py 的问题，或者它是否与我正在使用的块形状或压缩有关。我会检查 h5py 看看它是否表现更好。

它可能由存储数组的块大小控制。如果底层 hdf 文件针对按行访问进行了优化，那么基于行的访问会更快。我不知道 pytables 如何计算要使用的块大小。无论如何，祝你好运！