将 hdf5 文件合并为单个数据集

Question

我有很多 hdf5 文件，每个文件都有一个数据集。我想将它们组合成一个数据集，其中数据都在同一个卷中（每个文件都是一个图像，我想要一个大的延时图像）。

我编写了一个 python 脚本来将数据提取为一个 numpy 数组，存储它们，然后尝试将其写入一个新的 h5 文件。但是，这种方法行不通，因为合并后的数据使用的内存超过了我拥有的 32 GB RAM。

我也尝试过使用命令行工具 h5copy。

h5copy -i file1.h5 -o combined.h5 -s '/dataset' -d '/new_data/t1'
h5copy -i file2.h5 -o combined.h5 -s '/dataset' -d '/new_data/t2'

这可行，但它会在新文件中生成许多数据集，而不是将所有数据集串联起来。

Answer 1

尽管您无法将行显式附加到 hdf5 数据集，但您可以在创建数据集时使用 maxshape 关键字来发挥您的优势，从而允许您“调整”数据集的大小以适应新数据。 （见http://docs.h5py.org/en/latest/faq.html#appending-data-to-a-dataset）

假设您的数据集的列数始终相同，您的代码最终会看起来像这样：

import h5py

output_file = h5py.File('your_output_file.h5', 'w')

#keep track of the total number of rows
total_rows = 0

for n, f in enumerate(file_list):
  your_data = <get your data from f>
  total_rows = total_rows + your_data.shape[0]
  total_columns = your_data.shape[1]

  if n == 0:
    #first file; create the dummy dataset with no max shape
    create_dataset = output_file.create_dataset("Name", (total_rows, total_columns), maxshape=(None, None))
    #fill the first section of the dataset
    create_dataset[:,:] = your_data
    where_to_start_appending = total_rows

  else:
    #resize the dataset to accomodate the new data
    create_dataset.resize(total_rows, axis=0)
    create_dataset[where_to_start_appending:total_rows, :] = your_data
    where_to_start_appending = total_rows

output_file.close()