压缩性能与 hdf5 文件中的 block 大小相关

Question

我想问一个关于压缩性能的问题这与hdf5文件的 block 大小有关。

我手头有 2 个 hdf5 文件，它们具有以下属性。它们都只包含一个数据集，称为“数据”。

文件A的“数据”:

1. 类型:HDF5 标量数据集
2. 没有。维度数:2
3. 尺寸大小:5094125 x 6
4. 最大。尺寸大小:无限制x无限制
5. 数据类型:64 位浮点
6. 分块:10000 x 6
7. 压缩:GZIP 级别 = 7

文件B的“数据”:

1. 类型:HDF5 标量数据集
2. 没有。维度数:2
3. 尺寸:6720 x 1000
4. 最大。尺寸大小:无限制x无限制
5. 数据类型:64 位浮点
6. 分块:6000 x 1
7. 压缩:GZIP 级别 = 7

文件 A 的大小:HDF5----19 MBCSV-----165 MB

文件 B 的大小:HDF5----60MBCSV-----165 MB

与 csv 文件相比，它们都显示出对存储数据的极大压缩。然而文件A的压缩率约为原始csv的10%，而B文件的数据量仅为原始csv的30%左右。

我尝试过不同的 block 大小以使文件 B 尽可能小，但似乎 30% 是最佳压缩率。我想问为什么文件A可以实现更大的压缩而文件B却不能。

如果文件B也能实现，那么chunk大小应该是多少？

是否有任何规则可以确定用于压缩目的的 HDF5 最佳 block 大小？

谢谢!

Answer 1

分块本身并不会真正影响压缩比，除非@Ümit 描述的方式。分块的作用是影响 I/O 性能。当压缩应用于 HDF5 数据集时，它会单独应用于整个 block 。这意味着当从数据集中的单个 block 读取数据时，必须解压缩整个 block - 可能涉及更多的 I/O，具体取决于缓存的大小、 block 的形状等。

您应该做的是确保 block 形状与您读取/写入数据的方式匹配。例如，如果您通常一次阅读一列，请将您的 block 分成列。 This is a good tutorial on chunking.