xarray:大于使用 map_blocks 将结果转储到 .zarr 存储的内存数组
Posted
技术标签:
【中文标题】xarray:大于使用 map_blocks 将结果转储到 .zarr 存储的内存数组【英文标题】:xarray: Larger than memory array using map_blocks dumping results into .zarr store 【发布时间】:2022-01-23 20:52:43 【问题描述】:我正在尝试并行化一个生成非常大的 numpy 数组的操作,并且通常会炸毁正在运行它的机器的内存。
我想出的是以下工作流程:
-
使用 Dask 生成惰性零填充数组
使用 X-Array 生成 DataArray,使用之前的惰性零数组及其适当的坐标等...
使用
DataArray.map_blocks
,我调用了一个函数write_values
,它从一个单独的文件中获取一个Numpy数组的子集,然后将它们插入到xarray.DataArray
中的适当位置。李>
懒惰地转换为xarray.Dataset
,名称为DataArray
然后我尝试通过to_zarr
存储到磁盘中
第一:这是否适合处理循环遍历分块数组中的块的操作?
第二:当我运行这个程序时,它在执行时会耗尽我的内存,这可能是由于通过 Dask 创建的任务量?我怎样才能优化到永远不会达到我机器的内存限制。
第三:在这段代码运行后,我得到了一个存储到磁盘中的 zarr,但它似乎并没有真正存储我从外部函数获得的值。这是更改磁盘存储数组中值的正确方法吗?
问题:我将.zarr
写入磁盘的函数不会写入numpy_returning_volume 中的值。我在想可能是我需要在 map_blocks
函数中写入值?
谢谢!
完整工作示例:
import dask.array as da
import xarray as xr
import numpy as np
import pathlib
from dask.diagnostics import ProgressBar
class NumpyReturningVolume():
def __init__(self):
# self.data = da.random.random_sample([50000, 50000, 50000])
self.data = np.random.random_sample([500, 1000, 100])
def num_i(self):
return self.data.shape[0]
def num_j(self):
return self.data.shape[1]
def num_k(self):
return self.data.shape[2]
def get_float(self, start_coordinate, end_coordinate):
return self.data[
start_coordinate[0]:end_coordinate[0],
start_coordinate[1]:end_coordinate[1],
start_coordinate[2]:end_coordinate[2]
]
def write_values(chunk, **kwargs):
start_coordinate = (chunk.coords["track"].values[0], chunk.coords["bin"].values[0], chunk.coords["time"].values[0])
end_coordinate = (chunk.coords["track"].values[-1]+1, chunk.coords["bin"].values[-1]+1, chunk.coords["time"].values[-1]+1)
volume_data = kwargs["volume"].get_float(start_coordinate, end_coordinate)
chunk.data = volume_data
return(chunk)
seismic_file_path = pathlib.Path("./")
seismic_file_name = "TEST_FILE.ds"
store_path = seismic_file_path.parent.joinpath(
seismic_file_name + "_test.zarr")
numpy_returning_volume = NumpyReturningVolume()
dimensions = ('track', 'bin', 'time')
track_coords = np.arange(0, numpy_returning_volume.num_i(), 1, dtype=np.uint32)
bin_coords = np.arange(0, numpy_returning_volume.num_j(), 1, dtype=np.uint32)
time_coords = np.arange(0, numpy_returning_volume.num_k(), 1, dtype=np.uint32)
empty_arr = da.empty(shape=(
numpy_returning_volume.num_i(),
numpy_returning_volume.num_j(),
numpy_returning_volume.num_k()),
dtype=np.float32)
xarray_data = xr.DataArray(empty_arr, name="seis", coords=
'track': track_coords,
'bin': bin_coords, 'time': time_coords,
dims=dimensions)
xarray_data.map_blocks(write_values, kwargs=
"volume": numpy_returning_volume, template=xarray_data).compute()
xarray_data = xarray_data.to_dataset(name="seis")
delayed_results = xarray_data.to_zarr(store_path.__str__(), compute=False)
with ProgressBar():
delayed_results.compute()
【问题讨论】:
【参考方案1】:天哪!我才意识到我的问题是世界上最简单的事情!我只需要设置一个等于地图块结果的变量,一切正常。如果有人感兴趣,这是完整的工作脚本。它会生成一个 6GB 的数据集
import dask.array as da
import xarray as xr
import numpy as np
import pathlib
from dask.diagnostics import ProgressBar
class NumpyReturningVolume():
def __init__(self):
self.data = da.random.random_sample([1000, 2000, 1000])
# self.data = np.random.random_sample([500, 1000, 100])
def num_i(self):
return self.data.shape[0]
def num_j(self):
return self.data.shape[1]
def num_k(self):
return self.data.shape[2]
def get_float(self, start_coordinate, end_coordinate):
return self.data[
start_coordinate[0]:end_coordinate[0],
start_coordinate[1]:end_coordinate[1],
start_coordinate[2]:end_coordinate[2]
].compute()
def write_values(chunk, **kwargs):
start_coordinate = (chunk.coords["track"].values[0], chunk.coords["bin"].values[0], chunk.coords["time"].values[0])
end_coordinate = (chunk.coords["track"].values[-1]+1, chunk.coords["bin"].values[-1]+1, chunk.coords["time"].values[-1]+1)
volume_data = kwargs["volume"].get_float(start_coordinate, end_coordinate)
chunk.data = volume_data
return(chunk)
seismic_file_path = pathlib.Path("./")
seismic_file_name = "TEST_FILE.ds"
store_path = seismic_file_path.parent.joinpath(
seismic_file_name + "_test.zarr")
numpy_returning_volume = NumpyReturningVolume()
dimensions = ('track', 'bin', 'time')
track_coords = np.arange(0, numpy_returning_volume.num_i(), 1, dtype=np.uint32)
bin_coords = np.arange(0, numpy_returning_volume.num_j(), 1, dtype=np.uint32)
time_coords = np.arange(0, numpy_returning_volume.num_k(), 1, dtype=np.uint32)
empty_arr = da.empty(shape=(
numpy_returning_volume.num_i(),
numpy_returning_volume.num_j(),
numpy_returning_volume.num_k()),
dtype=np.float32)
xarray_data = xr.DataArray(empty_arr, name="seis", coords=
'track': track_coords,
'bin': bin_coords, 'time': time_coords,
dims=dimensions)
# This xarray_data = is what I was missing!!
xarray_data = xarray_data.map_blocks(write_values, kwargs=
"volume": numpy_returning_volume, template=xarray_data)
xarray_data = xarray_data.to_dataset(name="seis")
delayed_results = xarray_data.to_zarr(store_path.__str__(), compute=False)
with ProgressBar():
delayed_results.compute()
【讨论】:
以上是关于xarray:大于使用 map_blocks 将结果转储到 .zarr 存储的内存数组的主要内容,如果未能解决你的问题,请参考以下文章