为什么在python中保存/加载数据要比matlab占用更多的空间/时间

Question

我有一些变量，包括字典、列表和numpy数组。我用以下代码保存了所有变量，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中要小得多。类似地，从磁盘加载变量需要比matlab多得多的时间才能在python中加载到内存中。

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

感谢

Answer 1

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 2

Matlab使用HDF5和压缩来保存mat文件；HDF5是一种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，但具有灵活性。如果您愿意，可以使用HDF5作为python。

Answer 3

问题在于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经过优化，可有效存储和检索大型数据集；Pickle处理数据的方式不同。使用h5py或netcf4 Python模块，可以复制甚至超越Matlab的save函数的性能；NetCDF是HDF5的一个子集。例如，使用HDF5，您可以执行以下操作：

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中进行等效操作是否会产生完全相同大小的文件，但应该很接近。你可以使用HDF5的压缩功能来获得你想要的结果。

编辑1:

要加载HDF5文件，例如.mat文件，可以执行类似M2 = h5py.File('file.mat')的操作。M2是一个HDF5组，有点像python字典。执行M2.keys()将为您提供变量名称。如果其中一个变量是一个称为"0"的数组；数据"；，你可以通过做data = M2["data"][:]来读出它。

编辑2：

要保存多个变量，可以创建多个数据集。基本语法为f.create_dataset("variable_name", data=variable)。有关更多选项，请参阅链接。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既是一个文件对象，又是一个HDF5组。所以做f.keys()给出：

[u'ones', u'twos']

要查看"ones"键下存储的内容，您可以执行以下操作：

f['ones'][:]
array([[ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.],
       [ 1.,  1.,  1.,  1.]])

您可以创建任意数量的数据集。编写完文件后，关闭文件对象：f.close()。

我应该补充一点，我在这里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，如列表和字典，但这样做需要做更多的工作。我只对大型numpy数组使用HDF5。对于其他一切，pickle对我来说都很好。