将scipy稀疏矩阵存储为HDF5

Question

将scipy稀疏矩阵存储为HDF5

12

我想在HDF5格式中压缩和存储一个巨大的Scipy矩阵。我该怎么做？我尝试了以下代码：

a = csr_matrix((dat, (row, col)), shape=(947969, 36039))
f = h5py.File('foo.h5','w')    
dset = f.create_dataset("init", data=a, dtype = int, compression='gzip')

我遇到了这样的错误：

TypeError: Scalar datasets don't support chunk/filter options
IOError: Can't prepare for writing data (No appropriate function for conversion path)

由于可能会出现内存溢出，我无法将其转换为numpy数组。有什么最佳方法吗？

- Rama

2

你需要保存矩阵的数据属性，而不是矩阵本身。a 不是 numpy 数组或其子类。首先只需保存输入 dat、row、col。最近的 scipy.sparse 版本有一个 save_npz 函数，可以作为模板 - 查看它的代码即可。 - hpaulj

最近有关于save_npz的问题，链接为http://stackoverflow.com/q/43014503 - hpaulj

可能是在HDF5（PyTables）中存储numpy稀疏矩阵的重复问题。 - Hannes Ovrén

2个回答

5

你可以使用scipy.sparse.save_npz方法。或者考虑使用Pandas.SparseDataFrame，但请注意这种方法非常慢（感谢@hpaulj进行测试并指出）。

演示：

生成稀疏矩阵和SparseDataFrame。

In [55]: import pandas as pd

In [56]: from scipy.sparse import *

In [57]: m = csr_matrix((20, 10), dtype=np.int8)

In [58]: m
Out[58]:
<20x10 sparse matrix of type '<class 'numpy.int8'>'
        with 0 stored elements in Compressed Sparse Row format>

In [59]: sdf = pd.SparseDataFrame([pd.SparseSeries(m[i].toarray().ravel(), fill_value=0)
    ...:                           for i in np.arange(m.shape[0])])
    ...:

In [61]: type(sdf)
Out[61]: pandas.sparse.frame.SparseDataFrame

In [62]: sdf.info()
<class 'pandas.sparse.frame.SparseDataFrame'>
RangeIndex: 20 entries, 0 to 19
Data columns (total 10 columns):
0    20 non-null int8
1    20 non-null int8
2    20 non-null int8
3    20 non-null int8
4    20 non-null int8
5    20 non-null int8
6    20 non-null int8
7    20 non-null int8
8    20 non-null int8
9    20 non-null int8
dtypes: int8(10)
memory usage: 280.0 bytes

将SparseDataFrame保存到HDF文件中

In [64]: sdf.to_hdf('d:/temp/sparse_df.h5', 'sparse_df')

从HDF文件中读取

In [65]: store = pd.HDFStore('d:/temp/sparse_df.h5')

In [66]: store
Out[66]:
<class 'pandas.io.pytables.HDFStore'>
File path: d:/temp/sparse_df.h5
/sparse_df            sparse_frame

In [67]: x = store['sparse_df']

In [68]: type(x)
Out[68]: pandas.sparse.frame.SparseDataFrame

In [69]: x.info()
<class 'pandas.sparse.frame.SparseDataFrame'>
Int64Index: 20 entries, 0 to 19
Data columns (total 10 columns):
0    20 non-null int8
1    20 non-null int8
2    20 non-null int8
3    20 non-null int8
4    20 non-null int8
5    20 non-null int8
6    20 non-null int8
7    20 non-null int8
8    20 non-null int8
9    20 non-null int8
dtypes: int8(10)
memory usage: 360.0 bytes

- MaxU - stand with Ukraine

1

您的样本矩阵中没有非零元素。对于大型矩阵，这个迭代表达式[pd.SparseSeries(m[i].toarray().ravel(), fill_value=0) for i in np.arange(m.shape[0])])将会非常慢。 - hpaulj

@hpaulj，感谢您的评论！我将进行测试。 - MaxU - stand with Ukraine

@hpaulj，是的 - 它非常慢 - 我对一个稀疏矩阵进行了测试：M = sparse.random(10**4, 10**3, .01, 'csr') - 它花费了 1分2秒，所以对于OP的矩阵来说，它需要更长的时间。不幸的是，我还无法使它更快... - MaxU - stand with Ukraine

这个回答一开始提到了 "你可以使用scipy.sparse.save_npz方法"，但是没有解释如何使用这个方法来保存为HDF5格式。据我所知，这个方法只能将文件保存为带有“.npz”扩展名的普通文件。 - Robin De Schepper

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- hpaulj · Accepted Answer

CSR矩阵将其值存储在3个数组中。它不是一个数组或数组子类，因此h5py不能直接保存它。你能做的最好的事情是保存属性，并在加载时重新创建矩阵：

In [248]: M = sparse.random(5,10,.1, 'csr')
In [249]: M
Out[249]: 
<5x10 sparse matrix of type '<class 'numpy.float64'>'
    with 5 stored elements in Compressed Sparse Row format>
In [250]: M.data
Out[250]: array([ 0.91615298,  0.49907752,  0.09197862,  0.90442401,  0.93772772])
In [251]: M.indptr
Out[251]: array([0, 0, 1, 2, 3, 5], dtype=int32)
In [252]: M.indices
Out[252]: array([5, 7, 5, 2, 6], dtype=int32)
In [253]: M.data
Out[253]: array([ 0.91615298,  0.49907752,  0.09197862,  0.90442401,  0.93772772])

coo 格式具有 data、row 和 col 属性，基本上与您用于创建 a 的 (dat，（row，col）) 相同。

In [254]: M.tocoo().row
Out[254]: array([1, 2, 3, 4, 4], dtype=int32)

新的save_npz函数的功能如下：

arrays_dict = dict(format=matrix.format, shape=matrix.shape, data=matrix.data)
if matrix.format in ('csc', 'csr', 'bsr'):
    arrays_dict.update(indices=matrix.indices, indptr=matrix.indptr)
...
elif matrix.format == 'coo':
    arrays_dict.update(row=matrix.row, col=matrix.col)
...
np.savez(file, **arrays_dict)

换句话说，它会将相关属性收集到一个字典中，并使用savez创建zip归档文件。类似的方法也可以用于h5py文件。有关save_npz的更多信息，请参阅最近的SO问题，并链接到源代码。 save_npz方法缺失于scipy.sparse 看看你能否让它工作。如果您可以创建一个csr矩阵，则可以从其属性（或等效的coo）重新创建它。如果需要，我可以提供一个可行的示例。

将csr转换为h5py的示例。

import numpy as np
import h5py
from scipy import sparse

M = sparse.random(10,10,.2, 'csr')
print(repr(M))

print(M.data)
print(M.indices)
print(M.indptr)

f = h5py.File('sparse.h5','w')
g = f.create_group('Mcsr')
g.create_dataset('data',data=M.data)
g.create_dataset('indptr',data=M.indptr)
g.create_dataset('indices',data=M.indices)
g.attrs['shape'] = M.shape
f.close()

f = h5py.File('sparse.h5','r')
print(list(f.keys()))
print(list(f['Mcsr'].keys()))

g2 = f['Mcsr']
print(g2.attrs['shape'])

M1 = sparse.csr_matrix((g2['data'][:],g2['indices'][:],
    g2['indptr'][:]), g2.attrs['shape'])
print(repr(M1))
print(np.allclose(M1.A, M.A))
f.close()

生产

1314:~/mypy$ python3 stack43390038.py 
<10x10 sparse matrix of type '<class 'numpy.float64'>'
    with 20 stored elements in Compressed Sparse Row format>
[ 0.13640389  0.92698959 ....  0.7762265 ]
[4 5 0 3 0 2 0 2 5 6 7 1 7 9 1 3 4 6 8 9]
[ 0  2  4  6  9 11 11 11 14 19 20]
['Mcsr']
['data', 'indices', 'indptr']
[10 10]
<10x10 sparse matrix of type '<class 'numpy.float64'>'
    with 20 stored elements in Compressed Sparse Row format>
True

COO 替代方案

Mo = M.tocoo()
g = f.create_group('Mcoo')
g.create_dataset('data', data=Mo.data)
g.create_dataset('row', data=Mo.row)
g.create_dataset('col', data=Mo.col)
g.attrs['shape'] = Mo.shape

g2 = f['Mcoo']
M2 = sparse.coo_matrix((g2['data'], (g2['row'], g2['col'])),
   g2.attrs['shape'])   # don't need the [:]
# could also use sparse.csr_matrix or M2.tocsr()