我将避免对数据进行分块，并将数据存储为一系列单数组数据集（以及本杰明所建议的内容）。我刚刚将一直在研究的企业应用程序的输出加载到HDF5中，并且能够将大约45亿个复合数据类型打包为450,000个数据集，每个数据集包含10,000个数据数组。现在，读写似乎是瞬时的，但是当我最初尝试对数据进行分块时，速度非常慢。
只是一个想法！
更新：
这些是从我的实际代码（我使用C与Python进行编码，但您应该了解我在做什么）中摘录的几段代码，并进行了修改以使其更加清晰。我只是在数组中写长的无符号整数（每个数组10,000个值），并在需要实际值时读回它们
这是我典型的编写者代码。在这种情况下，我只是将长的无符号整数序列写入数组序列中，并在创建它们时将每个数组序列加载到hdf5中。
//Our dummy data: a rolling count of long unsigned integers
long unsigned int k = 0UL;
//We'll use this to store our dummy data, 10,000 at a time
long unsigned int kValues[NUMPERDATASET];
//Create the SS adata files.
hid_t ssdb = H5Fcreate(SSHDF, H5F_ACC_TRUNC, H5P_DEFAULT, H5P_DEFAULT);
//NUMPERDATASET = 10,000, so we get a 1 x 10,000 array
hsize_t dsDim[1] = {NUMPERDATASET};
//Create the data space.
hid_t dspace = H5Screate_simple(1, dsDim, NULL);
//NUMDATASETS = MAXSSVALUE / NUMPERDATASET, where MAXSSVALUE = 4,500,000,000
for (unsigned long int i = 0UL; i < NUMDATASETS; i++){
for (unsigned long int j = 0UL; j < NUMPERDATASET; j++){
kValues[j] = k;
k += 1UL;
}
//Create the data set.
dssSet = H5Dcreate2(ssdb, g_strdup_printf("%lu", i), H5T_NATIVE_ULONG, dspace, H5P_DEFAULT, H5P_DEFAULT, H5P_DEFAULT);
//Write data to the data set.
H5Dwrite(dssSet, H5T_NATIVE_ULONG, H5S_ALL, H5S_ALL, H5P_DEFAULT, kValues);
//Close the data set.
H5Dclose(dssSet);
}
//Release the data space
H5Sclose(dspace);
//Close the data files.
H5Fclose(ssdb);
这是我的阅读器代码的略微修改版本。有很多更优雅的方法可以做到这一点（即，我可以使用超平面来获得价值），但是对于我训练有素的Agile / BDD开发过程而言，这是最干净的解决方案。
unsigned long int getValueByIndex(unsigned long int nnValue){
//NUMPERDATASET = 10,000
unsigned long int ssValue[NUMPERDATASET];
//MAXSSVALUE = 4,500,000,000; i takes the smaller value of MAXSSVALUE or nnValue
//to avoid index out of range error
unsigned long int i = MIN(MAXSSVALUE-1,nnValue);
//Open the data file in read-write mode.
hid_t db = H5Fopen(_indexFilePath, H5F_ACC_RDONLY, H5P_DEFAULT);
//Create the data set. In this case, each dataset consists of a array of 10,000
//unsigned long int and is named according to its integer division value of i divided
//by the number per data set.
hid_t dSet = H5Dopen(db, g_strdup_printf("%lu", i / NUMPERDATASET), H5P_DEFAULT);
//Read the data set array.
H5Dread(dSet, H5T_NATIVE_ULONG, H5S_ALL, H5S_ALL, H5P_DEFAULT, ssValue);
//Close the data set.
H5Dclose(dSet);
//Close the data file.
H5Fclose(db);
//Return the indexed value by using the modulus of i divided by the number per dataset
return ssValue[i % NUMPERDATASET];
}
主要要点是编写代码中的内部循环以及整数除法和mod操作，以获取数据集数组的索引和该数组中所需值的索引。让我知道这是否足够清楚，以便您可以在h5py中组合类似或更好的内容。在C语言中，这非常简单，与分块数据集解决方案相比，它使我的读写时间明显缩短。另外，由于无论如何我都无法对化合物数据集使用压缩，因此分块的明显好处是有争议的，因此所有化合物都以相同的方式存储。
602392714
清零编程群