Python存储读取HDF5文件代码解析

HDF5 简介

HDF（Hierarchical Data Format）指一种为存储和处理大容量科学数据设计的文件格式及相应库文件。HDF 最早由美国国家超级计算应用中心 NCSA 开发，目前在非盈利组织 HDF 小组维护下继续发展。当前流行的版本是 HDF5。HDF5 拥有一系列的优异特性，使其特别适合进行大量科学数据的存储和操作，如它支持非常多的数据类型，灵活，通用，跨平台，可扩展，高效的 I/O 性能，支持几乎无限量（高达 EB）的单文件存储等，详见其官方介绍：https://support.hdfgroup.org/HDF5/ 。

HDF5 结构

HDF5 文件一般以 .h5 或者 .hdf5 作为后缀名，需要专门的软件才能打开预览文件的内容。HDF5 文件结构中有 2 primary objects: Groups 和 Datasets。

Groups 就类似于文件夹，每个 HDF5 文件其实就是根目录 (root) group'/'，可以看成目录的容器，其中可以包含一个或多个 dataset 及其它的 group。

Datasets 类似于 NumPy 中的数组 array，可以当作数组的数据集合 。

每个 dataset 可以分成两部分: 原始数据 (raw) data values 和 元数据 metadata (a set of data that describes and gives information about other data => raw data)。

+-- Dataset
|  +-- (Raw) Data Values (eg: a 4 x 5 x 6 matrix)
|  +-- Metadata
|  |  +-- Dataspace (eg: Rank = 3, Dimensions = {4, 5, 6})
|  |  +-- Datatype (eg: Integer)
|  |  +-- Properties (eg: Chuncked, Compressed)
|  |  +-- Attributes (eg: attr1 = 32.4, attr2 = "hello", ...)
|

从上面的结构中可以看出：

• Dataspace 给出原始数据的秩 (Rank) 和维度 (dimension)

• Datatype 给出数据类型

• Properties 说明该 dataset 的分块储存以及压缩情况

• Chunked: Better access time for subsets; extendible

• Chunked & Compressed: Improves storage efficiency, transmission speed

• Attributes 为该 dataset 的其他自定义属性
  

整个 HDF5 文件的结构如下所示：

+-- /
|  +-- group_1
|  |  +-- dataset_1_1
|  |  |  +-- attribute_1_1_1
|  |  |  +-- attribute_1_1_2
|  |  |  +-- ...
|  |  |
|  |  +-- dataset_1_2
|  |  |  +-- attribute_1_2_1
|  |  |  +-- attribute_1_2_2
|  |  |  +-- ...
|  |  |
|  |  +-- ...
|  |
|  +-- group_2
|  |  +-- dataset_2_1
|  |  |  +-- attribute_2_1_1
|  |  |  +-- attribute_2_1_2
|  |  |  +-- ...
|  |  |
|  |  +-- dataset_2_2
|  |  |  +-- attribute_2_2_1
|  |  |  +-- attribute_2_2_2
|  |  |  +-- ...
|  |  |
|  |  +-- ...
|  |
|  +-- ...
|

一个 HDF5 文件从一个命名为 "/" 的 group 开始，所有的 dataset 和其它 group 都包含在此 group 下，当操作 HDF5 文件时，如果没有显式指定 group 的 dataset 都是默认指 "/" 下的 dataset，另外类似相对文件路径的 group 名字都是相对于 "/" 的。

安装

pip install h5py

Python读写HDF5文件

#!/usr/bin/python
# -*- coding: UTF-8 -*-
#
# Created by WW on Jan. 26, 2020
# All rights reserved.
#

import h5py
import numpy as np

def main():
 #===========================================================================
 # Create a HDF5 file.
 f = h5py.File("h5py_example.hdf5", "w")  # mode = {'w', 'r', 'a'}

# Create two groups under root '/'.
 g1 = f.create_group("bar1")
 g2 = f.create_group("bar2")

# Create a dataset under root '/'.
 d = f.create_dataset("dset", data=np.arange(16).reshape([4, 4]))

# Add two attributes to dataset 'dset'
 d.attrs["myAttr1"] = [100, 200]
 d.attrs["myAttr2"] = "Hello, world!"

# Create a group and a dataset under group "bar1".
 c1 = g1.create_group("car1")
 d1 = g1.create_dataset("dset1", data=np.arange(10))

# Create a group and a dataset under group "bar2".
 c2 = g2.create_group("car2")
 d2 = g2.create_dataset("dset2", data=np.arange(10))

# Save and exit the file.
 f.close()

''' h5py_example.hdf5 file structure
 +-- '/'
 |  +--  group "bar1"
 |  |  +-- group "car1"
 |  |  |  +-- None
 |  |  |  
 |  |  +-- dataset "dset1"
 |  |
 |  +-- group "bar2"
 |  |  +-- group "car2"
 |  |  |  +-- None
 |  |  |
 |  |  +-- dataset "dset2"
 |  |  
 |  +-- dataset "dset"
 |  |  +-- attribute "myAttr1"
 |  |  +-- attribute "myAttr2"
 |  |  
 |  
 '''

#===========================================================================
 # Read HDF5 file.
 f = h5py.File("h5py_example.hdf5", "r")  # mode = {'w', 'r', 'a'}

# Print the keys of groups and datasets under '/'.
 print(f.filename, ":")
 print([key for key in f.keys()], "\n")

#===================================================
 # Read dataset 'dset' under '/'.
 d = f["dset"]

# Print the data of 'dset'.
 print(d.name, ":")
 print(d[:])

# Print the attributes of dataset 'dset'.
 for key in d.attrs.keys():
   print(key, ":", d.attrs[key])

print()

#===================================================
 # Read group 'bar1'.
 g = f["bar1"]

# Print the keys of groups and datasets under group 'bar1'.
 print([key for key in g.keys()])

# Three methods to print the data of 'dset1'.
 print(f["/bar1/dset1"][:])    # 1. absolute path

print(f["bar1"]["dset1"][:])  # 2. relative path: file[][]

print(g['dset1'][:])    # 3. relative path: group[]
 # Delete a database.
 # Notice: the mode should be 'a' when you read a file.
 '''
 del g["dset1"]
 '''

# Save and exit the file
 f.close()

if __name__ == "__main__":
 main()

相关代码示例

创建一个h5py文件

import h5py
f=h5py.File("myh5py.hdf5","w")

创建dataset

import h5py
f=h5py.File("myh5py.hdf5","w")
#deset1是数据集的name，（20,）代表数据集的shape，i代表的是数据集的元素类型
d1=f.create_dataset("dset1", (20,), 'i')
for key in f.keys():
 print(key)
 print(f[key].name)
 print(f[key].shape)
 print(f[key].value)

输出：

dset1
/dset1
(20,)
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]

赋值

import h5py
import numpy as np
f=h5py.File("myh5py.hdf5","w")

d1=f.create_dataset("dset1",(20,),'i')
#赋值
d1[...]=np.arange(20)
#或者我们可以直接按照下面的方式创建数据集并赋值
f["dset2"]=np.arange(15)

for key in f.keys():
 print(f[key].name)
 print(f[key].value)

输出：

/dset1
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19]
/dset2
[ 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14]

创建group

import h5py
import numpy as np
f=h5py.File("myh5py.hdf5","w")

#创建一个名字为bar的组
g1=f.create_group("bar")

#在bar这个组里面分别创建name为dset1,dset2的数据集并赋值。
g1["dset1"]=np.arange(10)
g1["dset2"]=np.arange(12).reshape((3,4))

for key in g1.keys():
 print(g1[key].name)
 print(g1[key].value)

输出：

/bar/dset1
[0 1 2 3 4 5 6 7 8 9]
/bar/dset2
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]

删除某个key下的数据

# 删除某个key，调用remove
f.remove("bar")

最后pandsa读取HDF5格式文件

import pandas as pd
import numpy as np

# 将mode改成r即可
hdf5 = pd.HDFStore("hello.h5", mode="r")
# 或者
"""
hdfs = pd.read_hdf("hello.h5", key="xxx")
"""