对具有多个数据集的 .hdf5 文件进行二次采样

Question

我正在尝试从一个大的 .h5 文件中提取一些“行”，以创建一个较小的示例文件。

为了确保我的示例看起来像原始文件，我正在随机提取行。

#Get length of files and prepare samples
 source_file = h5py.File(args.data_path, "r")
 dataset = source_file['X']
 indices = np.sort(np.random.choice(dataset.shape[0],args.nb_rows))

#checking we're extracting a subsample
if args.nb_rows > dataset.shape[0]:
    raise ValueError("Can't extract more rows than dataset contains. Dataset has %s rows" % dataset.shape[0] )

target_file =  h5py.File(target, "w")
for k in source_file.keys():
    dataset = source_file[k]
    dataset = dataset[indices,:,:,:]
    dest_dataset = target_file.create_dataset(k, shape=(dataset.shape), dtype=np.float32)
dest_dataset.write_direct(dataset)
target_file.close()
source_file.close()

但是，当 nb_rows 达到（例如 10,000）时，我会收到 TypeError("Indexing elements must be in increasing order")。索引是排序的，所以我认为我不应该得到这个错误。我是不是误会了什么？

Answer 1

我认为你得到了重复。

显然你会在args.nb_rows > dataset.shape[0] 案例中得到重复：

In [499]: np.random.choice(10, 20)
Out[499]: array([2, 4, 1, 5, 2, 8, 4, 3, 7, 0, 2, 6, 6, 8, 9, 3, 8, 4, 2, 5])
In [500]: np.sort(np.random.choice(10, 20))
Out[500]: array([1, 1, 1, 2, 2, 2, 4, 4, 4, 5, 5, 5, 5, 6, 6, 7, 8, 8, 8, 9])

但是当数字较小时你仍然可以得到重复：

In [502]: np.sort(np.random.choice(10, 9))
Out[502]: array([0, 0, 1, 1, 1, 5, 5, 9, 9])

关闭replace：

In [504]: np.sort(np.random.choice(10, 9, replace=False))
Out[504]: array([0, 1, 2, 3, 4, 5, 6, 7, 8])