python - 压缩文件上的高效 numpy.fromfile？

Question

我有一些大文件(甚至压缩到 10GB 左右)，其中包含一个 ASCII header ，然后原则上每个大约 3MB 的 numpy.recarrays，我们称它们为“事件”。我的第一种方法是这样的:

f = gzip.GzipFile(filename)
f.read(10000) # fixed length ascii header
event_dtype = np.dtype([
        ('Id', '>u4'),                # simplified
        ('UnixTimeUTC', '>u4', 2), 
        ('Data', '>i2', (1600,1024) ) 
        ])
event = np.fromfile( f, dtype = event_dtype, count=1 )

但是，这是不可能的，因为 np.fromfile 需要一个真正的 FILE 对象，因为它确实进行了低级调用(找到了一张很旧的票 https://github.com/numpy/numpy/issues/1103 )。

据我所知，我必须这样做:

s = f.read( event_dtype.itemsize )
event = np.fromstring(s, dtype=event_dtype, count=1)

是的，它有效!但这不是非常低效吗？不是为 s 分配内存，并为每个事件收集垃圾吗？在我的笔记本电脑上，我达到了 16 个事件/秒，即 ~50MB/s

我想知道是否有人知道一个聪明的方法，分配内存一次，然后让 numpy 直接读入该内存。

顺便说一句。我是一名物理学家，所以……在这个行业还是个新手。

Answer 1

@Bakuriu 可能是正确的，这可能是一个微优化。你的瓶颈几乎肯定是IO，然后就是解压。两次分配内存可能并不重要。

但是，如果您想避免额外的内存分配，您可以使用 numpy.frombuffer 将字符串视为 numpy 数组。

这避免了重复内存(字符串和数组使用相同的内存缓冲区)，但默认情况下数组将是只读的。然后，如果需要，您可以将其更改为允许写入。

在您的情况下，只需将 fromstring 替换为 frombuffer 即可:

f = gzip.GzipFile(filename)
f.read(10000) # fixed length ascii header
event_dtype = np.dtype([
        ('Id', '>u4'),                # simplified
        ('UnixTimeUTC', '>u4', 2), 
        ('Data', '>i2', (1600,1024) ) 
        ])
s = f.read( event_dtype.itemsize )
event = np.frombuffer(s, dtype=event_dtype, count=1)

只是为了证明使用这种方法不会复制内存:

import numpy as np

x = "hello"
y = np.frombuffer(x, dtype=np.uint8)

# Make "y" writeable...
y.flags.writeable = True

# Prove that we're using the same memory
y[0] = 121
print x # <-- Notice that we're outputting changing y and printing x...

这会产生:yello 而不是 hello。

无论在这种特定情况下它是否是一项重要的优化，它都是一种需要注意的有用方法。