PYTHON上数据储存：推荐h5py

最近在做一个CNN的项目，文件夹里有20w张图片要读入并保存到一个data文件（不然每次都读20w文件太麻烦）。

折腾了一个下午，发现了一个极好用的包 h5py：将数据储存在hdf5文件中。

这东西有多好用呢？

速度，内存占用，压缩程度都比cPickle+gzip来的优秀。

相比之下上面两个变逗比了……

我把所有图片都放在一个ndarray并保存为一个文件：

8190张图片的.mat 16GB, 81900图片的.pkl.gz……根本就生成不了， 81900张图片的.h5 15GB.

不仅可以保存大数据，而且压缩率是mat的十倍！

可见为什么我这么兴奋来一发……

 

---

说说h5py其他方式的缺点：

1、numpy.save ,  numpy.savez , scipy.io.savemat

　　numpy和scipy提供的数据存储方法。官方说savez是save的压缩版，尽管在实践中，什么都没能压缩到。

　　而且这三个方法产生的文件大小都是一样的…………非常大。

　　8000张256*256*3的图片出来就是一个16G的文件，简直忍无可忍。而且调用方法很麻烦。

2、cPickle + gzip

　　这里忽略pickle这家伙，直接被cPiclke虐了。

　　.pkl.gz 是mnist的官方后缀。看来是会很好用的样子。

　　但是实际使用中，有两个难以避免的问题:

• • 速度慢，内存占用高（就是性能不好）
  • 大矩阵储存无能

　　前者我就不说了。关于后者，这是python官bug，如果你在cPickle.dump()的时候碰上“ SystemError: error return without exception set”，那么恭喜你，中奖了。

　　python官方对于这个问题的解释：http://bugs.python.org/issue11564

　　咦？修好了？毛线！ 3修好了，2.7照样bug，所以如果你的linux或者ubuntu内嵌的是python2.7，哭死吧。

　　尽管cPickle+gzip性能已经很优秀，但是和h5py性能的对比，看这篇:

　　http://www.shocksolution.com/2010/01/storing-large-numpy-arrays-on-disk-python-pickle-vs-hdf5adsf/

3、h5py

　　抱歉找不到缺点，唯一的缺点就是很难安装。所以一下是h5py安装教程。

---

 

h5py安装：

官方教程：http://docs.h5py.org/en/latest/build.html#install

 

这里教教你，官方教程都是坑爹的：没有源叫你apt-get，给你bin让你make。所以这里， 我走过能行的路：

 

1、确定系统有python，numpy，libhdf5-serial-dev，和HDF5.前三者一般都有。这里要安装HDF5

2、去HDF5官方网站下载编译好的bin（是的，尽管教程让编译，这里给用户的就是编译好的bin，搞得我这小白编译了半天）;

  　　http://www.hdfgroup.org/HDF5/

3、解压，重命名文件夹为hdf5，移动到 /usr/local/hdf5 下

4、添加环境变量:

       gedit ~/.bashrc

　　export PATH=/usr/local/hdf5:$PATH

　　到这里HDF5就安装好了，只有安装好的HDF5才能顺利安装h5py

5、pip install h5py

---

简易例程：

写入：import h5pyimport numpy as np

1 2 3 4 5 6

<em id = "__mceDel" ><em id = "__mceDel" ><em id = "__mceDel" >data = mp.array( [ 222 , 333 , 444 ] )<br>label = np.array( [ 0 , 1 , 0 ] )<br>img_num = np.array( [ 0 , 1 , 2 ] )<br><br> # 创建HDF5文件<br>file = h5py.File('TrainSet_rotate.h5','w')<br># 写入 file .create_dataset( 'train_set_x' , data = data) file .create_dataset( 'train_set_y' , data = label) file .create_dataset( 'train_set_num' ,data = img_num) # 。。。。。。。。。<br>file.close() < / em>< / em>< / em>

读取：

1 2 3 4 5 6 7 8 9 10

import numpy as np import h5py # 读方式打开文件 file = h5py. File ( 'TrainSet_rotate.h5' , 'r' ) # 尽管后面有 '[:]', 但是矩阵怎么进去的就是怎么出来的，不会被拉长（matlab后遗症） train_set_data = file [ 'train_set_x' ][:] train_set_y = file [ 'train_set_y' ][:] train_set_img_num = file [ 'train_set_img_num' ][:] # ......... file .close()

好了，你已经会使用h5py了，快尝试下h5py给你带来的快感吧！

---

 附送小技巧：如何在同一行输出

1、

1 2 3

for i in range ( 10 ):      print ( "Loading" + "." * i)      sys.stdout.write( "\033[F" ) # Cursor up one line

2、

1 2 3

for x in range ( 0 , 5 ):       b = "Loading" + "." * x      print (b, end = "\r" )

前面的方法会好用点

---

 

原来20分钟也可以来一篇小博客……看来以后得勤奋点才行了……