杂： PYTHON上数据储存：推荐h5py

一篇很短的小短文，主要推荐下做科学计算是大量数据的储存问题

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:

　　export HDF5_DIR=/usr/local/hdf5

　　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

data = mp.array( [222,333,444] )
label = np.array( [0,1,0] )
img_num = np.array( [0,1,2] )

# 创建HDF5文件
file = h5py.File('TrainSet_rotate.h5','w')
# 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)

# 。。。。。。。。。
file.close()

读取：

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、

for i in range(10):

    print("Loading" + "." * i)

    sys.stdout.write("\033[F") # Cursor up one line

2、

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……