python - 达斯克/HDF5 : Read by group?

Question

我必须读入并独立操作大型数据帧/numpy 数组的许多 block 。然而，这些 block 是以特定的、非统一的方式选择的，并且在 hdf5 文件中自然地分成几组。每个组都足够小以适合内存(尽管即使没有限制，我想标准的分块过程也应该足够了。)

具体来说，而不是

 f = h5py.File('myfile.hdf5')
 x = da.from_array(f['/data'], chunks=(1000, 1000))

我想要更接近于(伪代码)的东西:

 f = h5py.File('myfile.hdf5')
 x = da.from_array(f, chunks=(f['/data1'], f['/data2'], ...,))

http://dask.pydata.org/en/latest/delayed-collections.html我相信暗示这是可能的，但我仍在阅读和理解 dask/hdf5。

我之前的实现使用了一些 CSV 文件，并根据需要使用自己的多处理逻辑读取它们。我想使用 hdf5 将所有这些功能合并到 dask 中。

是否可以通过 hdf5 group/read 进行分块，我的想法是否可行？

Answer 1

我会将来自许多组的许多 dask.arrays 读取为单 block dask.arrays，然后连接或堆叠这些组。

阅读许多 dask.arrays

f = h5py.File(...)
dsets = [f[dset] for dset in datasets]
arrays = [da.from_array(dset, chunks=dset.shape) for dset in dsets]

或者，使用锁来保护 HDF5

HDF5 不是线程安全的，因此让我们使用锁来防止并行读取。在跨不同的组阅读时，我实际上并没有检查是否有必要这样做。

from threading import Lock
lock = Lock()

arrays = [da.from_array(dset, chunks=dset.shape, lock=lock) 
           for dset in dsets]

将数组堆叠或连接在一起

array = da.concatenate(arrays, axis=0)

参见 http://dask.pydata.org/en/latest/array-stack.html

或者使用dask.delayed

您也可以按照您的建议使用 dask.delayed做阅读单 block dask.arrays 的第一步