从大型数据集中高效创建二维直方图

Question

我想在存储在HDF5文件中的大型数据集(100000+样本)中创建python中的2d直方图.我想出了以下代码:

import sys
import h5py
import numpy as np
import matplotlib as mpl
import matplotlib.pylab

f = h5py.File(sys.argv[1], 'r')

A = f['A']
T = f['T']

at_hist, xedges, yedges = np.histogram2d(T, A, bins=500)
extent = [yedges[0], yedges[-1], xedges[0], xedges[-1]]

fig = mpl.pylab.figure()
at_plot = fig.add_subplot(111)

at_plot.imshow(at_hist, extent=extent, origin='lower', aspect='auto')

mpl.pylab.show()

f.close()

执行大约需要15秒(100000个数据点).然而,CERN的Root(使用自己的树数据结构而不是HDF5)可以在不到1秒内完成此操作.你知道如何加速代码吗？如果它有用,我也可以改变HDF5数据的结构.

Answer 1

我会尝试一些不同的东西.

1. 从hdf文件加载数据,而不是传入有效的内存映射数组.
2. 如果这不能解决问题,您可以利用a scipy.sparse.coo_matrix来制作2D直方图.对于numpy的旧版本digitize(在histogram*内部使用所有各种函数)在某些情况下可能会使用过多的内存.但是,最近(> 1.5??)版本的numpy 不再是这种情况了.

作为第一个建议的一个例子,你可以这样做:

f = h5py.File(sys.argv[1], 'r')
A = np.empty(f['A'].shape, f['A'].dtype)
T = np.empty(f['T'].shape, f['T'].dtype)
f['A'].read_direct(A)
f['T'].read_direct(T)

这里的不同之处在于整个数组将被读入内存,而不是h5py类似于数组的对象,这些对象基本上是存储在磁盘上的高效内存映射数组.

至于第二个建议,除非第一个建议没有帮助你解决问题,否则不要尝试.

它可能不会明显更快(并且对于小型阵列来说可能更慢),并且对于numpy的最新版本,它只是稍微更高的内存效率.我确实有一段代码,我故意这样做,但我不推荐它.这是一个非常hackish的解决方案.在非常精选的情况下(许多点和许多箱子),它可以比预先形成更好histogram2d.

但是,所有这些警告都放在一边,这里是:

import numpy as np
import scipy.sparse
import timeit

def generate_data(num):
    x = np.random.random(num)
    y = np.random.random(num)
    return x, y

def crazy_histogram2d(x, y, bins=10):
    try:
        nx, ny = bins
    except TypeError:
        nx = ny = bins
    xmin, xmax = x.min(), x.max()
    ymin, ymax = y.min(), y.max()
    dx = (xmax - xmin) / (nx - 1.0)
    dy = (ymax - ymin) / (ny - 1.0)

    weights = np.ones(x.size)

    # Basically, this is just doing what np.digitize does with one less copy
    xyi = np.vstack((x,y)).T
    xyi -= [xmin, ymin]
    xyi /= [dx, dy]
    xyi = np.floor(xyi, xyi).T

    # Now, we'll exploit a sparse coo_matrix to build the 2D histogram...
    grid = scipy.sparse.coo_matrix((weights, xyi), shape=(nx, ny)).toarray()

    return grid, np.linspace(xmin, xmax, nx), np.linspace(ymin, ymax, ny)

if __name__ == '__main__':
    num=1e6
    numruns = 1
    x, y = generate_data(num)
    t1 = timeit.timeit('crazy_histogram2d(x, y, bins=500)',
            setup='from __main__ import crazy_histogram2d, x, y',
            number=numruns)
    t2 = timeit.timeit('np.histogram2d(x, y, bins=500)',
            setup='from __main__ import np, x, y',
            number=numruns)
    print 'Average of %i runs, using %.1e points' % (numruns, num)
    print 'Crazy histogram', t1 / numruns, 'sec'
    print 'numpy.histogram2d', t2 / numruns, 'sec'

在我的系统上,这会产生:

Average of 10 runs, using 1.0e+06 points
Crazy histogram 0.104092288017 sec
numpy.histogram2d 0.686891794205 sec