hdf5 文件中与块大小相关的压缩性能

Question

我想问一个关于压缩性能的问题 这与 hdf5 文件的块大小有关。

我手头有 2 个 hdf5 文件，它们具有以下属性。 它们都只包含一个数据集，称为“数据”。

文件 A 的“数据”：

1. 类型：HDF5 标量数据集
2. 没有。尺寸：2
3. 尺寸尺寸：5094125 x 6
4. 最大。尺寸大小：无限 x 无限
5. 数据类型：64 位浮点数
6. 分块：10000 x 6
7. 压缩：GZIP 级别 = 7

文件 B 的“数据”：

1. 类型：HDF5 标量数据集
2. 没有。尺寸：2
3. 尺寸尺寸：6720 x 1000
4. 最大。尺寸大小：无限 x 无限
5. 数据类型：64 位浮点数
6. 分块：6000 x 1
7. 压缩：GZIP 级别 = 7

文件 A 的大小： HDF5----19 MB CSV-----165 MB

文件 B 的大小： HDF5----60 MB CSV-----165 MB

与 csv 文件相比，它们都显示出对存储数据的极大压缩。 但是文件A的压缩率是原始csv的10%左右， 而文件B的只有原始csv的30%左右。

我尝试了不同的块大小以使文件 B 尽可能小，但似乎 30% 是最佳压缩率。我想问为什么文件A可以实现更大的压缩而文件B不能。

如果文件B也能实现，那么chunk size应该是多少？

是否有任何规则可以确定用于压缩目的的 HDF5 的最佳块大小？

谢谢！

Answer 1

分块并不会真正影响压缩率本身，除了@Ümit 描述的方式。分块的作用是影响 I/O 性能。当压缩应用于 HDF5 数据集时，它会单独应用于整个块。这意味着当从数据集中的单个块读取数据时，必须解压缩整个块 - 可能涉及更多的 I/O，具体取决于缓存的大小、块的形状等。

您应该做的是确保块 shape 与您读取/写入数据的方式相匹配。例如，如果您通常一次阅读一列，请制作您的块列。 This is a good tutorial on chunking.