为大型 hdf5 文件重命名组中的所有 HDF5 数据集时出现问题

Posted 2023-03-11

【中文标题】为大型 hdf5 文件重命名组中的所有 HDF5 数据集时出现问题

【英文标题】：Problem renaming all HDF5 datasets in group for large hdf5 files

【发布时间】：2019-04-04 18:32:18

【问题描述】：

我在重命名 hdf5 中的数据集时遇到问题。这个过程非常缓慢。我阅读了一些文档，指出数据集名称只是指向数据的链接，因此一种可接受的重命名方式是：

group['new_name'] = group['old_name']
del group['old_name']

但这太慢了（一夜之间只完成了 5%），这让我觉得我的过程完全错误。

我正在使用 python h5py，这是我的慢代码：

# Open file
with h5py.File('test.hdf5') as f:

    # Get all top level groups
    top_keys = [key for key in f.keys()]

    # Iterate over each group
    for top_key in top_keys:
        group = f[top_key]
        tot_digits = len(group)

        #Rename all datasets in the group (pad with zeros)
        for key in tqdm(group.keys()):
            new_key = str(key)
            while len(new_key)<tot_digits:
                new_key = '0'+str(new_key)
            group[new_key] = group[key]
            del group[key]

根据@jpp 的建议，我还尝试用group.move 替换最后两行：

group.move(key, new_key)

但是这种方法同样慢。我有几个具有相同数量数据集的组，但每个组都有不同大小的数据集。拥有最大数据集（最多字节）的组似乎重命名最慢。

当然有一种方法可以快速做到这一点。数据集名称只是一个符号链接吗？还是重命名本身会导致整个数据集被重写？我应该如何重命名 HDF5 文件中的多个数据集？

【问题讨论】：

您的组中有多少个数据集？如果您有一些代码来创建一个简单的 HDF5 文件，那就太好了，这样我们就可以对其进行基准测试（并同时展示您的问题）。

我每组只有 1M 个数据集，而我的 hdf5 文件约为 20GB，因此共享数据集很困难。关键问题更多地与命名数据集的行为方式有关。名称只是一个符号链接吗？还是重命名本身会导致整个数据集被重写？ @jpp

不确定这是否仍然相关，但我过去在命名 HDF5 组时遇到了问题，名称以数字开头，如果没有其他方法似乎可以尝试不同的命名方案。跨度>

@Joules 我的组用字母命名，但我的数据集用数字命名。您是否也遇到过数据集名称的问题？还是只是组？

IIRC 它不允许我保存名称以数字作为第一个字符的数据集或组。我可能一直在使用pandas HDF5，所以我不确定它是否会与 h5py 产生相同的反应。

【参考方案1】：

一个可能的罪魁祸首是，至少如果您的***键下有大量组，那么您正在以非常低效的方式创建新名称。而不是

while len(new_key)<tot_digits:
    new_key = '0'+str(new_key)

您应该像这样生成新密钥：

if len(new_key)<tot_digits:
    new_key = (tot_digits-len(new_key))*'0' + new_key

这样您就不会为需要添加的每个额外数字创建一个新的字符串对象。

也有可能，尽管我无法确认，调用group.keys() 将返回一个迭代器，该迭代器将使用您添加的新键名重新填充，因为您在迭代键时修改了组。一个标准的 python 迭代器会抛出一个 RuntimeError，但很明显 hf5py 是否会这样做。为确保您没有这个问题，您可以简单地确保预先创建一个键列表。

for key in tqdm(list(group.keys())):

【讨论】：

感谢您的建议！我实现了它们，但没有重大改进。循环仍然以每秒大约 1 次迭代的速度运行，这意味着整个操作大约需要一天时间。我已经重命名了组中的前 1K 左右，所以第一次迭代运行得非常快，然后一旦开始重命名数据集，它就会陷入困境。

@Richard 你说这是每秒重命名一次。当您手动操作时，即从交互式外壳中进行操作时也是如此吗？

【参考方案2】：

这个怎么样？组的查找可能比简单的迭代花费更长的时间吗？我做了一些优化——因为我没有测试文件，所以我不能真正尝试。

# Open file
with h5py.File('test.hdf5') as f:

    # Iterate over each group
    for top_key, group in f.items():
        #Rename all datasets in the group (pad with zeros)
        for key in tqdm(group.keys()):
            new_key = (":0<" + str(len(group)) + "").format(str(key))
            group.move(key, new_key)

【讨论】：

感谢埃米尔的回答！我在这里看不到任何额外的优化。只有 4 个组，每个组有大约 1M 数据集。数据集的重命名很慢，我们都以同样的方式找到group.keys。您的想法似乎与我们已经尝试过的 ilmarinen 的想法相似。

哦...4组真的不是...我认为top_keys = [key for key in f.keys()]和group = f[top_key]可能会减慢速度，但是只有4组，然后是的...那是绝对不是。但是如果只有 4 个组，您能否对数字进行一些估计，例如 G1：100 万个条目，G2：130 万个等...还有一件事，您是否尝试过删除 tqdm（以防万一），并设置一个手动计数器，即有i +=1 和if i % 100 == 0: print("At number: ".format(i)) 或类似的东西