为大型 hdf5 文件重命名组中的所有 HDF5 数据集时出现问题

Question

我在重命名 hdf5 中的数据集时遇到问题。这个过程非常缓慢。我阅读了一些文档，指出数据集名称只是指向数据的链接，因此一种可接受的重命名方式是：

group['new_name'] = group['old_name']
del group['old_name']

但这太慢了（一夜之间只完成了 5%），这让我觉得我的过程完全错误。

我正在使用 python h5py，这是我的慢代码：

# Open file
with h5py.File('test.hdf5') as f:

    # Get all top level groups
    top_keys = [key for key in f.keys()]

    # Iterate over each group
    for top_key in top_keys:
        group = f[top_key]
        tot_digits = len(group)

        #Rename all datasets in the group (pad with zeros)
        for key in tqdm(group.keys()):
            new_key = str(key)
            while len(new_key)<tot_digits:
                new_key = '0'+str(new_key)
            group[new_key] = group[key]
            del group[key]

根据@jpp 的建议，我还尝试用group.move 替换最后两行：

group.move(key, new_key)

但是这种方法同样慢。我有几个具有相同数量数据集的组，但每个组都有不同大小的数据集。拥有最大数据集（最多字节）的组似乎重命名最慢。

当然有一种方法可以快速做到这一点。数据集名称只是一个符号链接吗？还是重命名本身会导致整个数据集被重写？我应该如何重命名 HDF5 文件中的多个数据集？

Answer 1

一个可能的罪魁祸首是，至少如果您的顶级键下有大量组，那么您正在以非常低效的方式创建新名称。而不是

while len(new_key)<tot_digits:
    new_key = '0'+str(new_key)

您应该像这样生成新密钥：

if len(new_key)<tot_digits:
    new_key = (tot_digits-len(new_key))*'0' + new_key

这样您就不会为需要添加的每个额外数字创建一个新的字符串对象。

也有可能，尽管我无法确认，调用group.keys() 将返回一个迭代器，该迭代器将使用您添加的新键名重新填充，因为您在迭代键时修改了组。一个标准的 python 迭代器会抛出一个 RuntimeError，但很明显 hf5py 是否会这样做。为确保您没有这个问题，您可以简单地确保预先创建一个键列表。

for key in tqdm(list(group.keys())):

Answer 2

这个怎么样？组的查找可能比简单的迭代花费更长的时间吗？我做了一些优化——因为我没有测试文件，所以我不能真正尝试。

# Open file
with h5py.File('test.hdf5') as f:

    # Iterate over each group
    for top_key, group in f.items():
        #Rename all datasets in the group (pad with zeros)
        for key in tqdm(group.keys()):
            new_key = ("{:0<" + str(len(group)) + "}").format(str(key))
            group.move(key, new_key)