如何在磁盘上创建一个numpy .npy文件？

Question

是否可以创建.npy文件而不先在内存中分配相应的数组？

我需要创建并使用大型numpy数组,这个数组太大而无法在内存中创建.Numpy支持内存映射,但据我所知,我的选项是:

1. 使用numpy.memmap创建memmapped文件.这会直接在磁盘上创建文件而不分配内存,但不存储元数据,所以当我稍后重新映射文​​件时,我需要知道它的dtype,形状等.在下面,请注意不指定形状结果在memmap中被解释为平面数组:

   In [77]: x=memmap('/tmp/x', int, 'w+', shape=(3,3))
   
   
   In [78]: x
   Out[78]: 
   memmap([[0, 0, 0],
          [0, 0, 0],
          [0, 0, 0]])
   
   
   In [79]: y=memmap('/tmp/x', int, 'r')
   
   
   In [80]: y
   Out[80]: memmap([0, 0, 0, 0, 0, 0, 0, 0, 0])
   

2. 在内存中创建一个数组,使用numpy.save保存,之后可以在memmapped模式下加载.这会将元数据与磁盘上的数组数据一起记录,但需要为整个阵列分配至少一次内存.

Answer 1

我有同样的问题,当我读到Sven的回复时感到很失望.似乎numpy会丢失一些关键功能,如果你不能在文件中有一个巨大的数组并且一次处理它的一小部分.您的案例似乎接近于制作.npy格式的原始理性中的一个用例(请参阅:http://svn.scipy.org/svn/numpy/trunk/doc/neps/npy-format.txt ).

然后我遇到了numpy.lib.format,这似乎是完全有用的好东西.我不知道为什么numpy root包中没有这个功能.与HDF5相比的关键优势在于它配备了numpy.

>>> print numpy.lib.format.open_memmap.__doc__

"""
Open a .npy file as a memory-mapped array.

This may be used to read an existing file or create a new one.

Parameters
----------
filename : str
    The name of the file on disk. This may not be a filelike object.
mode : str, optional
    The mode to open the file with. In addition to the standard file modes,
    'c' is also accepted to mean "copy on write". See `numpy.memmap` for
    the available mode strings.
dtype : dtype, optional
    The data type of the array if we are creating a new file in "write"
    mode.
shape : tuple of int, optional
    The shape of the array if we are creating a new file in "write"
    mode.
fortran_order : bool, optional
    Whether the array should be Fortran-contiguous (True) or
    C-contiguous (False) if we are creating a new file in "write" mode.
version : tuple of int (major, minor)
    If the mode is a "write" mode, then this is the version of the file
    format used to create the file.

Returns
-------
marray : numpy.memmap
    The memory-mapped array.

Raises
------
ValueError
    If the data or the mode is invalid.
IOError
    If the file is not found or cannot be opened correctly.

See Also
--------
numpy.memmap
"""

Answer 2

正如您自己所发现的，NumPy 主要针对处理内存中的数据。有不同的库可用于处理磁盘上的数据，目前最常用的库可能是 HDF5。我建议看一下h5py，它是 HDF5 库的一个优秀的 Python 包装器。它被设计为与 NumPy 一起使用，如果您已经了解 NumPy，它的界面很容易学习。要了解它如何解决您的问题，请阅读Datasets 的文档。

为了完整起见，我应该提到PyTables，它似乎是 Python 中处理大型数据集的“标准”方式。我没有使用它，因为 h5py 对我更有吸引力。两个库都有常见问题解答条目，定义了彼此的范围。