将 scipy 稀疏矩阵存储为 HDF5

Posted 2023-03-11

【中文标题】将 scipy 稀疏矩阵存储为 HDF5

【英文标题】：Storing scipy sparse matrix as HDF5

【发布时间】：2017-09-09 10:40:02

【问题描述】：

我想以 HDF5 格式压缩和存储一个巨大的 Scipy 矩阵。我该怎么做呢？我试过下面的代码：

a = csr_matrix((dat, (row, col)), shape=(947969, 36039))
f = h5py.File('foo.h5','w')    
dset = f.create_dataset("init", data=a, dtype = int, compression='gzip')

我收到类似的错误，

TypeError: Scalar datasets don't support chunk/filter options
IOError: Can't prepare for writing data (No appropriate function for conversion path)

我无法将其转换为 numpy 数组，因为会有内存溢出。最好的方法是什么？

【问题讨论】：

需要保存矩阵的数据属性，而不是矩阵本身。 a 不是 numpy 数组或子类。首先，只需保存输入 dat,row,col. A recent scipy.sparse` 版本有一个 save_npz 函数可以用作模型 - 查看它的代码。

最近关于save_npz, ***.com/q/43014503的问题

Storing numpy sparse matrix in HDF5 (PyTables)的可能重复

【参考方案1】：

你可以使用scipy.sparse.save_npz方法

或者考虑使用Pandas.SparseDataFrame，但要注意这种方法非常慢（感谢@hpaulj for testing and pointing it out）

演示：

生成稀疏矩阵和SparseDataFrame

In [55]: import pandas as pd

In [56]: from scipy.sparse import *

In [57]: m = csr_matrix((20, 10), dtype=np.int8)

In [58]: m
Out[58]:
<20x10 sparse matrix of type '<class 'numpy.int8'>'
        with 0 stored elements in Compressed Sparse Row format>

In [59]: sdf = pd.SparseDataFrame([pd.SparseSeries(m[i].toarray().ravel(), fill_value=0)
    ...:                           for i in np.arange(m.shape[0])])
    ...:

In [61]: type(sdf)
Out[61]: pandas.sparse.frame.SparseDataFrame

In [62]: sdf.info()
<class 'pandas.sparse.frame.SparseDataFrame'>
RangeIndex: 20 entries, 0 to 19
Data columns (total 10 columns):
0    20 non-null int8
1    20 non-null int8
2    20 non-null int8
3    20 non-null int8
4    20 non-null int8
5    20 non-null int8
6    20 non-null int8
7    20 non-null int8
8    20 non-null int8
9    20 non-null int8
dtypes: int8(10)
memory usage: 280.0 bytes

将 SparseDataFrame 保存到 HDF 文件

In [64]: sdf.to_hdf('d:/temp/sparse_df.h5', 'sparse_df')

从 HDF 文件中读取

In [65]: store = pd.HDFStore('d:/temp/sparse_df.h5')

In [66]: store
Out[66]:
<class 'pandas.io.pytables.HDFStore'>
File path: d:/temp/sparse_df.h5
/sparse_df            sparse_frame

In [67]: x = store['sparse_df']

In [68]: type(x)
Out[68]: pandas.sparse.frame.SparseDataFrame

In [69]: x.info()
<class 'pandas.sparse.frame.SparseDataFrame'>
Int64Index: 20 entries, 0 to 19
Data columns (total 10 columns):
0    20 non-null int8
1    20 non-null int8
2    20 non-null int8
3    20 non-null int8
4    20 non-null int8
5    20 non-null int8
6    20 non-null int8
7    20 non-null int8
8    20 non-null int8
9    20 non-null int8
dtypes: int8(10)
memory usage: 360.0 bytes

【讨论】：

您的样本矩阵有 0 个非零元素。这个迭代表达式 [pd.SparseSeries(m[i].toarray().ravel(), fill_value=0) for i in np.arange(m.shape[0])]) 对于大型矩阵来说会非常慢。

@hpaulj，感谢您的评论！我去测试一下

@hpaulj，是的 - 这很慢 - 我用稀疏矩阵测试了它：M = sparse.random(10**4, 10**3, .01, 'csr') - 它花了1min 2s 所以对于 OPs 矩阵它需要更长的时间。不幸的是，我还不能让它更快......

此答案以“您可以使用 scipy.sparse.save_npz 方法”开头，但从未解释如何使用此方法保存到 HDF5。据我所知，该方法保存到扩展名为“.npz”的常规文件中。

【参考方案2】：

一个 csr 矩阵将它的值存储在 3 个数组中。它不是数组或数组子类，所以h5py不能直接保存。你能做的最好的就是保存属性，并在加载时重新创建矩阵：

In [248]: M = sparse.random(5,10,.1, 'csr')
In [249]: M
Out[249]: 
<5x10 sparse matrix of type '<class 'numpy.float64'>'
    with 5 stored elements in Compressed Sparse Row format>
In [250]: M.data
Out[250]: array([ 0.91615298,  0.49907752,  0.09197862,  0.90442401,  0.93772772])
In [251]: M.indptr
Out[251]: array([0, 0, 1, 2, 3, 5], dtype=int32)
In [252]: M.indices
Out[252]: array([5, 7, 5, 2, 6], dtype=int32)
In [253]: M.data
Out[253]: array([ 0.91615298,  0.49907752,  0.09197862,  0.90442401,  0.93772772])

coo 格式有data、row、col 属性，与你用来创建a 的(dat, (row, col)) 基本相同。

In [254]: M.tocoo().row
Out[254]: array([1, 2, 3, 4, 4], dtype=int32)

新的save_npz 函数可以：

arrays_dict = dict(format=matrix.format, shape=matrix.shape, data=matrix.data)
if matrix.format in ('csc', 'csr', 'bsr'):
    arrays_dict.update(indices=matrix.indices, indptr=matrix.indptr)
...
elif matrix.format == 'coo':
    arrays_dict.update(row=matrix.row, col=matrix.col)
...
np.savez(file, **arrays_dict)

换句话说，它在字典中收集相关属性并使用savez 创建 zip 存档。

同样的方法可以用于h5py 文件。更多关于 save_npz 在最近的 SO 问题中的信息，以及源代码的链接。

save_npz method missing from scipy.sparse

看看你能不能得到这个工作。如果您可以创建csr 矩阵，则可以从其属性（或coo 等效项）重新创建它。如果需要，我可以做一个工作示例。

csr 到 h5py 示例

import numpy as np
import h5py
from scipy import sparse

M = sparse.random(10,10,.2, 'csr')
print(repr(M))

print(M.data)
print(M.indices)
print(M.indptr)

f = h5py.File('sparse.h5','w')
g = f.create_group('Mcsr')
g.create_dataset('data',data=M.data)
g.create_dataset('indptr',data=M.indptr)
g.create_dataset('indices',data=M.indices)
g.attrs['shape'] = M.shape
f.close()

f = h5py.File('sparse.h5','r')
print(list(f.keys()))
print(list(f['Mcsr'].keys()))

g2 = f['Mcsr']
print(g2.attrs['shape'])

M1 = sparse.csr_matrix((g2['data'][:],g2['indices'][:],
    g2['indptr'][:]), g2.attrs['shape'])
print(repr(M1))
print(np.allclose(M1.A, M.A))
f.close()

生产

1314:~/mypy$ python3 stack43390038.py 
<10x10 sparse matrix of type '<class 'numpy.float64'>'
    with 20 stored elements in Compressed Sparse Row format>
[ 0.13640389  0.92698959 ....  0.7762265 ]
[4 5 0 3 0 2 0 2 5 6 7 1 7 9 1 3 4 6 8 9]
[ 0  2  4  6  9 11 11 11 14 19 20]
['Mcsr']
['data', 'indices', 'indptr']
[10 10]
<10x10 sparse matrix of type '<class 'numpy.float64'>'
    with 20 stored elements in Compressed Sparse Row format>
True

酷替代

Mo = M.tocoo()
g = f.create_group('Mcoo')
g.create_dataset('data', data=Mo.data)
g.create_dataset('row', data=Mo.row)
g.create_dataset('col', data=Mo.col)
g.attrs['shape'] = Mo.shape

g2 = f['Mcoo']
M2 = sparse.coo_matrix((g2['data'], (g2['row'], g2['col'])),
   g2.attrs['shape'])   # don't need the [:]
# could also use sparse.csr_matrix or M2.tocsr()

【讨论】：

非常好！我认为如果您可以添加一个小的 sn-p 以将稀疏矩阵保存为 HDF 格式，这将非常有帮助

非常感谢。不复制HDF5读取的数据，是否可以构造coo或csr矩阵？

在最后一个示例中，我将g2['data'] 数据集传递给coo_matrix 函数，但该函数将np.array(obj, ...) 应用于加载数据的输入。所以，不，你不能在不加载的情况下创建矩阵。

谢谢！我有一些最大的稀疏数组，我正在尝试更快地加载，但尝试避免复制数组似乎工作量太大。