是否可以用python将磁盘上不连续的数据映射到数组？

Question

我想将硬盘上的一个大的 Fortran 记录（12G）映射到 numpy 数组。 （映射而不是加载以节省内存。）

Fortran 记录中存储的数据不是连续的，因为它是由记录标记划分的。记录结构为“标记、数据、标记、数据、...、数据、标记”。数据区域和标记的长度是已知的。

标记之间的数据长度不是4字节的倍数，否则我可以将每个数据区域映射到一个数组。

可以通过在memmap中设置offset来跳过第一个标记，是否可以跳过其他标记并将数据映射到数组？

对可能出现的含糊表达表示歉意，并感谢您提供任何解决方案或建议。

---

5 月 15 日编辑

这些是 Fortran 未格式化的文件。 record中存储的数据是一个(1024^3)*3 float32数组(12Gb)。

大于2GB的变长记录的记录布局如下所示：

（详情参见这里 -> [记录类型] -> [可变长度记录]部分。）

在我的例子中，除了最后一个，每个子记录的长度都是 2147483639 字节，并且间隔 8 个字节（如上图所示，前一个子记录的结束标记和后一个子记录的开始标记，8 个字节总共）。

我们可以看到第一个子记录以某个浮点数的前 3 个字节结束，第二个子记录以其余 1 个字节开始，即 2147483639 mod 4 =3。

Answer 1

可以使用

numpy.memmap

:

offset = 0
data1 = np.memmap('tmp', dtype='i', mode='r+', order='F',
                  offset=0, shape=(size1))
offset += size1*byte_size
data2 = np.memmap('tmp', dtype='i', mode='r+', order='F',
                  offset=offset, shape=(size2))
offset += size1*byte_size
data3 = np.memmap('tmp', dtype='i', mode='r+', order='F',
                  offset=offset, shape=(size3))

您需要根据数据类型设置

byte_size

。例如：

• int32

  需要

  byte_size=32/8

• int16

  byte_size=16/8

• 等等...

如果整个数组的数据类型是恒定的，您可以将数据加载到二维数组中，如下所示：

shape = (total_length/size,size)
data = np.memmap('tmp', dtype='i', mode='r+', order='F', shape=shape)

您可以根据需要更改

memmap

对象。甚至可以使数组共享相同的元素，在这种情况下，所有相应的数组都会感知共享元素中所做的更改。

其他参考：

• 在python和numpy中处理大数据，内存不够，如何将部分结果保存在光盘上？

• numpy.memmap

  文档在这里。