将 HDF5 文件读入 numpy 数组

Question

我有以下代码将 hdf5 文件读取为 numpy 数组：

hf = h5py.File('path/to/file', 'r')
n1 = hf.get('dataset_name')
n2 = np.array(n1)

当我打印

n2

时，我得到这个：

Out[15]:
array([[<HDF5 object reference>, <HDF5 object reference>,
        <HDF5 object reference>, <HDF5 object reference>...

如何读取

HDF5 object reference

来查看其中存储的数据？

Answer 1

最简单的是使用 HDF5 数据集的

.value

属性。

>>> hf = h5py.File('/path/to/file', 'r')
>>> data = hf.get('dataset_name').value # `data` is now an ndarray.

您还可以对数据集进行切片，这会生成包含请求数据的实际 ndarray：

>>> hf['dataset_name'][:10] # produces ndarray as well

但请记住，在很多方面，

h5py

数据集的行为就像

ndarray

。因此，您可以将数据集本身不变地传递给大多数（如果不是全部）NumPy 函数。例如，这样就可以了：

np.mean(hf.get('dataset_name'))

。

编辑：

我最初误解了这个问题。问题不在于加载数值数据，而在于数据集实际上包含 HDF5 引用。这是一个奇怪的设置，读起来有点尴尬

h5py

。您需要取消引用数据集中的每个引用。我只展示其中一个。

首先，我们创建一个文件和一个临时数据集：

>>> f = h5py.File('tmp.h5', 'w')
>>> ds = f.create_dataset('data', data=np.zeros(10,))

接下来，创建对其的引用并将其中一些存储在数据集中。

>>> ref_dtype = h5py.special_dtype(ref=h5py.Reference)
>>> ref_ds = f.create_dataset('data_refs', data=(ds.ref, ds.ref), dtype=ref_dtype)

然后，您可以通过获取其名称，以迂回的方式读回其中一个，然后从引用的实际数据集中读取。

>>> name = h5py.h5r.get_name(ref_ds[0], f.id) # 2nd argument is the file identifier
>>> print(name)
b'/data'
>>> out = f[name]
>>> print(out.shape)
(10,)

虽然迂回，但似乎有效。 TL;DR 是：获取引用数据集的名称，并直接从中读取。

注：

尽管有这个名字，但

h5py.h5r.dereference

函数在这里似乎没什么帮助。它返回引用对象的 ID。这可以直接读取，但在这种情况下很容易导致崩溃（我在这个人为的示例中做了几次）。获取名称并从中读取要容易得多。

注2：

如 h5py 2.1

的发行说明中所述，不推荐使用

Dataset.value 属性，应根据需要使用 mydataset[...]

 或 

mydataset[()]

 进行替换。

属性

Dataset.value

可以追溯到 h5py 1.0，已被弃用，并将在以后的版本中删除。此属性将整个数据集转储到 NumPy 数组中。使用

.value

 的代码应更新为使用 NumPy 索引，并酌情使用 

mydataset[...]

 或 

mydataset[()]

。

这是将 hdf5 文件读取为 numpy 数组的直接方法：

Answer 2

import numpy as np
import h5py

hf = h5py.File('path/to/file.h5', 'r')
n1 = np.array(hf["dataset_name"][:]) #dataset_name is same as hdf5 object name 

print(n1)

h5py 为此类任务提供了内在方法：

Answer 3

hf = h5py.File('path/to/file', 'r')
n1 = np.zeros(shape, dtype=numpy_type)
hf['dataset_name'].read_direct(n1)
hf.close()

如果您

n1 = np.array(hf['dataset_name'])

，组合步骤仍然比

%timeit

更快。唯一的缺点是，需要事先知道数据集的形状，数据提供者可以将其指定为属性。

HDF5 有一个简单的对象模型，用于存储

Answer 4

（粗略地说，相当于“文件数组”）并将它们组织成组（想想目录）。除了这两种对象类型之外，还有更强大的功能需要层层理解。

手头的是“参考

”。它是HDF5存储模型中的内部地址。

h5py 将为您完成所有工作，而无需调用任何晦涩的例程，因为它尝试尽可能遵循类似字典的界面（但对于参考，使其透明有点复杂）。

在文档中查找的位置是

对象和区域引用

。它指出要访问引用指向的对象

ref，你需要

 my_object = my_file[ref]

您的问题有两个步骤： 1. 获取参考 2.获取数据集

# Open the file
hf = h5py.File('path/to/file', 'r')
# Obtain the dataset of references
n1 = hf['dataset_name']
# Obtain the dataset pointed to by the first reference
ds = hf[n1[0]]
# Obtain the data in ds
data = ds[:]

例如，如果包含引用的数据集是二维的，则必须使用ds = hf[n1[0,0]]

如果数据集是标量，则必须使用data = ds[()]

一次性获取所有数据集：all_data = [hf[ref] for ref in n1[:]]

假设 n1 为一维数据集。对于 2D，这个想法是成立的，但我没有看到一个简短的方法来编写它。为了全面了解如何通过引用往返数据，我编写了简短的“编写器程序”和简短的“读取器程序”：

import numpy as np
import h5py

# Open file                                                                                    
myfile = h5py.File('myfile.hdf5', 'w')

# Create dataset                                                                               
ds_0 = myfile.create_dataset('dataset_0', data=np.arange(10))
ds_1 = myfile.create_dataset('dataset_1', data=9-np.arange(10))

# Create a data                                                                                
ref_dtype = h5py.special_dtype(ref=h5py.Reference)

ds_refs = myfile.create_dataset('ref_to_dataset', shape=(2,), dtype=ref_dtype)

ds_refs[0] = ds_0.ref
ds_refs[1] = ds_1.ref

myfile.close()

和

import numpy as np
import h5py

# Open file                                                                                    
myfile = h5py.File('myfile.hdf5', 'r')

# Read the references                                                                          
ref_to_ds_0 = myfile['ref_to_dataset'][0]
ref_to_ds_1 = myfile['ref_to_dataset'][1]

# Read the dataset                                                                             
ds_0 = myfile[ref_to_ds_0]
ds_1 = myfile[ref_to_ds_1]

# Read the value in the dataset                                                                
data_0 = ds_0[:]
data_1 = ds_1[:]

myfile.close()

print(data_0)
print(data_1)

您会注意到，您无法对参考数据集使用标准的方便且简单的 NumPy 语法。这是因为 HDF5 引用无法用 NumPy 数据类型表示。它们必须一次一个地读取和写入。

嗨，这是我用来读取 hdf5 数据的方法，希望它对你有用

Answer 5

with h5py.File('name-of-file.h5', 'r') as hf:
    data = hf['name-of-dataset'][:]

我尝试了之前建议的所有答案，但没有一个对我有用。 例如，read_direct() 方法给出错误“未为数据类型类定义操作”。 .value 方法也不起作用。经过一番努力，我可以使用引用本身来获取 numpy 数组。

Answer 6

import numpy as np
import h5py
f = h5py.File('file.mat','r')
data2get = f.get('data2get')[:]

data = np.zeros([data2get.shape[1]])
for i in range(data2get.shape[1]):
    data[i]  = np.array(f[data2get[0][i]])[0][0]

用于加载大型 .mat 文件，保存在版本 7.3 下的 MATLAB 中 即，如果您的 mat 文件使用“-v7.3”保存

Answer 7

import numpy as np
import h5py

path = '/yourfile.mat' 
f = h5py.File(path)

类型：list(f.keys())

列出您的数据。如果 mat 文件保存为“finance.mat”，则返回

['finance']

然后：

fin= f['finance']
fin_arr = np.asarray(fin)