存储、写入和读取大型气象数据数据集的更好方法

Question

我希望更好地存储、写入和读取气象数据（原始文本格式大约 30 GB）。

目前我使用 NetCDF 文件格式来存储天气记录。在这个 NetCDF 文件中，我有 3 个维度：time、climate variables、locations。但维度顺序是我的任务的关键约束（见下文）。

第一个任务是每天更新大约 3000 个气象站的天气记录。维度顺序(time, var, name) 为写入提供了最佳性能，因为新数据将添加到 NetCDF 文件的末尾。

第二个任务是读取一个站点的所有每日天气记录以进行分析。维度顺序(name, var, time) 提供了最佳的读取性能，因为一个站点的所有记录都存储在一起。

这两个任务有 NetCDF 文件的冲突设计（在一个任务中性能最好，但在另一个任务中性能最差）。

我的问题是是否有替代方法/软件/数据格式来存储、写入和读取我的数据集以提供我的两项任务的最佳性能？由于我必须每天重复这两个步骤，并且数据分析非常耗时，因此我需要找到一种最小化 I/O 的最佳方法。

感谢您的任何建议。如果我的问题不清楚，请告诉我。

Answer 1

好的，你需要的是分块。我创建了一个小的 python 脚本来测试，没有分块它基本上证实了您观察到访问在一个维度上很慢。我使用站号 3000、每个站的变量 10 和时间步长 10000 进行了测试。我确实将站和变量放入相同的维度进行测试，但如果你真的需要它，它应该在 3D 案例中给出类似的结果。 我的测试输出没有分块：

File chunking type: None Variable shape: (30000, 10000) Total time, file creation: 13.665503025054932 Average time for adding one measurement time: 0.00136328568459 0.00148195505142 0.0018851685524 Read all timeseries one by one with single file open Average read time per station/variable: 0.524109539986

还有分块：

File chunking type: [100, 100] Variable shape: (30000, 10000) Total time, file creation: 18.610711812973022 Average time for adding one measurement time: 0.00185681316853 0.00168470859528 0.00213300466537 Read all timeseries one by one with single file open Average read time per station/variable: 0.000948731899261

您可以看到，分块将写入时间增加了大约 50%，但显着提高了读取时间。我没有尝试优化块大小，只是测试了它是否朝着正确的方向工作。 代码不清楚或者对python不熟悉，欢迎追问。

# -*- coding: utf-8 -*-
from time import time
import numpy as np
from netCDF4 import Dataset

test_dataset_name='test_dataset.nc4'
num_stations=3000 
num_vars=10 
chunks=None
#chunks=[100,100]

def create_dataset():
    ff=Dataset(test_dataset_name,'w')
    ff.createDimension('Time',None)
    ff.createDimension('Station_variable',num_stations*num_vars)
    if chunks:
        var1=ff.createVariable('TimeSeries','f8',   ('Station_variable','Time'),chunksizes=chunks)
    else:
        var1=ff.createVariable('TimeSeries','f8',('Station_variable','Time'))
    return ff

def add_data(ff,timedim):
    var1=ff.variables['TimeSeries']
    var1[0:1000,timedim]=timedim*np.ones((1000),'f8')

def dataset_close(inds):
    inds.close()

## CREATE DATA FILE    
time_start=time()
time1=[]
time2=[]
time3=[]
time4=[]
testds=create_dataset()
dataset_close(testds)
for i in range(10000):
    time1.append(time())
    ff=Dataset(test_dataset_name,'a')
    time2.append(time())
    add_data(ff,i)
    time3.append(time())
    ff.sync()
    ff.close()
    time4.append(time())
time_end=time()

time1=np.array(time1)
time2=np.array(time2)
time3=np.array(time3)
time4=np.array(time4)

## READ ALL STAION-VARIABLE COMBINATIONS AS ONE TIMESERIES
ff=Dataset(test_dataset_name,'r')
## PRINT DATA FILE CREATION SUMMARY
print("File chunking type:",chunks)
print("Variable shape:",ff.variables['TimeSeries'][:].shape)
print("Total time, file creation:", time_end-time_start)
print("Average time for adding one measurement time: ",np.mean(time4-    time1), np.mean(time4[:100]-time1[:100]),np.mean(time4[-100:]- time1[-100:]))
print("Read all timeseries one by one with single file open")
time_rstart=[]
time_rend=[]
for i in range(0,ff.variables['TimeSeries'][:].shape[0],int(ff.variables['TimeSeries'][:].shape[0]/100)):
    time_rstart.append(time())
    dataline=ff.variables['TimeSeries'][i,:]
    time_rend.append(time())
time_rstart=np.array(time_rstart)
time_rend=np.array(time_rend)
print("Average read time per station/variable: ",np.mean(time_rend-  time_rstart))