为什么在 python 中保存/加载数据比 matlab 占用更多的空间/时间？

Question

我有一些变量，包括字典、列表列表和 numpy 数组。我使用以下代码保存所有这些，其中 obj=[var1,var2,...,varn]。变量大小足够小，可以加载到内存中。

我的问题是当我在 matlab 中保存相应的变量时，输出文件在磁盘上占用的空间比在 python 中要少得多。同样，从磁盘加载变量在python中加载到内存中的时间要比matlab多得多。

with open(filename, 'wb') as output:
    pickle.dump(obj, output, pickle.HIGHEST_PROTOCOL)

谢谢

Answer 1

Matlab 使用 HDF5 和压缩来保存 mat-Files； HDF5 是一种可以非常快速地访问大量数据的格式。 Python-pickle 保护信息以重新创建对象，它没有针对速度和大小进行优化，而是针对灵活性进行了优化。 如果您愿意，请使用 HDF5 for python。

Answer 2

试试这个：

保存到磁盘

import gzip
gz = gzip.open(filename + '.gz', 'wb')
gz.write(pickle.dumps(obj, pickle.HIGHEST_PROTOCOL))
gz.close()

从磁盘加载

import gzip
gz = gzip.open(filename + '.gz', 'rb')
obj = pickle.loads(gz.read())
gz.close()

Answer 3

嗯，问题出在 pickle 而不是 Python 本身。正如其他人所提到的，以 7.3 或更高版本保存的 .mat 文件使用 HDF5 格式。 HDF5 已针对高效存储和检索大型数据集进行了优化； Pickle 以不同的方式处理数据。您可以使用 h5py 或 netcf4 Python 模块复制甚至超越 Matlab 的保存功能； NetCDF 是 HDF5 的子集。例如，使用 HDF5，您可以这样做：

import h5py
import numpy as np

f = h5py.File('test.hdf5','w')
a = np.arange(10)
dset = f.create_dataset("init", data=a)
f.close()

我不确定在 MATLAB 中执行等效操作是否会产生完全相同大小的文件，但应该是接近的。您可以尝试使用 HDF5 的压缩功能来获得您想要的结果。

编辑 1：

要加载 HDF5 文件，例如 .mat 文件，您可以执行 M2 = h5py.File('file.mat') 之类的操作。 M2 是一个 HDF5 组，有点像 python 字典。执行M2.keys() 会为您提供变量名称。如果其中一个变量是一个名为“data”的数组，您可以通过 data = M2["data"][:] 读取它。

编辑 2：

要保存多个变量，可以创建多个datasets。基本语法是f.create_dataset("variable_name", data=variable)。有关更多选项，请参见链接。例如

import h5py
import numpy as np

f = h5py.File('test.hdf5','w')

data1 = np.ones((4,4))
data2 = 2*data1
f.create_dataset("ones", data=data1)
f.create_dataset("twos", data=data2)

f 既是文件对象又是 HDF5 组。这样做f.keys() 给出：

[u'ones', u'twos']

要查看“ones”键下存储的内容，您可以：

f['ones'][:]

array([[ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.]])

您可以根据需要创建任意数量的数据集。完成文件写入后，关闭文件对象：f.close()。

我应该补充一点，我的方法只适用于类似数组的数据集。您可以保存其他 Python 对象，例如列表和字典，但这样做需要更多的工作。我只对大型 numpy 数组使用 HDF5。对于其他一切，泡菜对我来说都很好。