gpt4 book ai didi

matlab - matlab 可解释的 C++ 中的简单压缩算法

转载 作者:行者123 更新时间:2023-12-02 22:30:24 24 4
gpt4 key购买 nike

我正在生成约 100 万个文本文件,其中包含 double 组、制表符分隔(这些是用于研究的模拟)。下面的示例输出。我预计每百万个文本文件约为 5 TB,这是 Not Acceptable 。所以我需要压缩。

但是,我所有的数据分析都会在matlab中完成。每个 matlab 脚本都需要访问所有这些文本文件。我无法使用 C++ 解压整个百万,然后运行 ​​matlab 脚本,因为我缺少 HD 空间。所以我的问题是,是否有一些非常简单、易于实现的算法或其他方法来减小我的文本文件大小,以便我可以用 C++ 编写压缩并在 matlab 中读取它?

示例文本文件

0.0220874   0.00297818  0.000285954 1.70E-05    1.52E-07
0.0542912 0.00880725 0.000892849 6.94E-05 4.51E-06
0.0848582 0.0159799 0.00185915 0.000136578 7.16E-06
0.100415 0.0220033 0.00288016 0.000250445 1.38E-05
0.101889 0.0250725 0.00353148 0.000297856 2.34E-05
0.0942061 0.0256 0.00393893 0.000387219 3.01E-05
0.0812377 0.0238492 0.00392418 0.000418365 4.09E-05
0.0645259 0.0206528 0.00372185 0.000419891 3.23E-05
0.0487525 0.017065 0.00313825 0.00037539 3.68E-05

如果重要的话......完整的文本文件代表联合概率质量函数,所以它们总和为 1。我需要无损压缩。

更新这是一个用 C++ 编写二进制文件并在 Matlab 中阅读它的 IDIOTS 指南,其中包含一些非常基本的解释。

将小数组写入二进制文件的 C++ 代码。

#include <iostream>
using namespace std;
int main()
{
float writefloat;
const int rows=2;
const int cols=3;
float JPDF[rows][cols];
JPDF[0][0]=.19493;
JPDF[0][1]=.111593;
JPDF[0][2]=.78135;
JPDF[1][0]=.33333;
JPDF[1][1]=.151535;
JPDF[1][2]=.591355;

JPDF 是一个 float 类型的数组,我将 6 个值保存到其中。这是一个 2x3 数组。

    FILE * out_file;
out_file = fopen ( "test.bin" , "wb" );

老实说,我不太明白第一行在做什么。它似乎在制作一个名为 out_file 的 FILE 类型的指针。第二行 fopen 表示创建一个新文件用于写入(第二个参数的 'w'),并使其成为二进制文件(wb 的 'b')。

    fwrite(&rows,sizeof(int),1,out_file);
fwrite(&cols,sizeof(int),1,out_file);

这里我对数组的大小进行了编码(# 行,# 列)。请注意,我们 fwrite 对变量 rows 和 cols 的引用,而不是变量本身(& 由 ref)。第二个参数告诉它要写入多少字节。由于行和列都是整数,所以我使用 sizeof(int)。 '1' 表示执行此操作 1 次。我认为。 out_file 是指向我们正在写入的文件的指针。

    for (int i=0; i<3; i++)
{
for (int j=0; j<2; j++)
{
writefloat=JPDF[j][i];
fwrite (&writefloat , sizeof(float), 1, out_file);
}
}
fclose (out_file);

return 0;
}

现在我将遍历我的数组并将每个值以字节为单位写入我的文件。索引有点向后看,因为我正在迭代每一列而不是在内循环中的一列。我们马上就会明白为什么。同样,我正在编写对 writefloat 的引用,它在每次迭代中采用当前数组元素的值。由于每个数组元素都是 float ,因此我在这里使用 sizeof(float) 而不是 sizeof(int)。

为了令人难以置信地清楚起见,下面是我如何看待我们刚刚创建的文件的图表。

[4 bytes: rows][4 bytes: cols][4 bytes: JPDF[0][0]][4 bytes: JPDF[1][0]] ...
[4 bytes: JPDF[1][2]]

..其中每个字节 block 都以二进制(0 和 1)写入。

在 MATLAB 中解释:

FID=fopen('test.bin');
sizes=fread(FID,2,'int')

FID 在这里有点像指针。 secret 地,它可能是一个指针。然后我们使用 fread,它的操作与 C++ fread 非常相似。 FID 是我们文件的“指针”。 'int' 告诉函数每个 block 包含多少字节。所以 sizes=fread(FID,2,'int') 表示“以二进制形式打开 FID,读取 2 个大小为 INT 字节的 block ,并以向量形式返回 2 个元素。现在,sizes(1)=rows,sizes(2)=cols。

s=fread(FID,[sizes(1) sizes(2)],'float')

下一部分最初对我来说并不完全清楚,我想我必须告诉 fread 跳过我的二进制文件中包含行/列信息的“ header ”。然而,它 secret 地维护着一个指向你离开的地方的指针。所以现在我清空二进制文件的其余部分,因为我知道数组的维度。请注意,虽然第二个参数 [M,N] 是 [rows,cols],但 fread 是按“列顺序”读取的,这就是我们按列顺序写入数组数据的原因。

一个 * 是,如果 C++ 程序的体系结构与 matlab 一致(例如,两者都是 64 位,或者都是 32 位),我认为我只能使用 matlab 代码“int”和“float” .但我不确定这一点。

输出是:

sizes =

2
3

s =

0.194930002093315 0.111593000590801 0.781350016593933
0.333330005407333 0.151535004377365 0.59135502576828

最佳答案

为了比每个数字四个字节做得更好,您需要确定您需要这些数字的精度。由于它们是概率,所以它们都在 [0,1] 中。您应该能够将精度指定为 2 的幂,例如您需要知道每个概率在实际值的 2-n 范围内。然后,您只需将每个概率乘以 2n,四舍五入到最接近的整数,然后仅存储该整数中的 n 位。

在最坏的情况下,我可以看到您永远不会为每个概率显示超过六位数。因此,您可以将它们编码为 20 位,假设小数点后的精度固定不变。将每个概率乘以 220 (1048576),四舍五入,然后将 20 位写入文件。每个概率将占用 2.5 个字节。这小于浮点值的四个字节。

无论哪种方式都比示例文件中每个值的平均 11.3 字节小得多。

如果您可以利用数据中的已知模式,您可以获得更好的压缩效果。假设有任何。我看到在您的示例中,每行的值在每一步都下降了某个因素。如果这是真实的,而不仅仅是示例生成的产物,那么您可以连续为每个样本使用更少的位。此外,如果第一个样本确实总是小于 1/8,那么您可以删除该样本的前三位,因为这些位始终为零。如果第二列总是小于 1/32,您可以删除所有这些的前五位。等等。假设示例中的幅度是所有数据集中的最大值(显然不是真的,但只是将其用作说明性案例),并假设小数点后需要六位小数,我可以对每行六个值进行编码50 位,平均每个概率略高于一个字节。

对于最后一点压缩,由于值相加,您不必存储最后一个值。

关于matlab - matlab 可解释的 C++ 中的简单压缩算法,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/12358434/

24 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com