dask：读取HDF5并写入其他HDF5文件

Question

我正在使用一个比内存大的HDF5文件。因此，我正在尝试使用dask修改它。我的目标是加载文件，进行一些修改（不一定保留形状），然后将其保存到其他文件中。我使用以下方式创建文件：

import h5py as h5
import numpy as np

source_file = "source.hdf5"
x = np.zeros((3, 3))  # In practice, x will be larger than memory
with h5.File(source_file, "w") as f:
    f.create_dataset("/x", data=x, compression="gzip")

然后，我使用以下代码加载，修改和保存。

from dask import array as da
import h5py as h5
from dask.distributed import Client


if __name__ == "__main__":
    dask_client = Client(n_workers=1)  # No need to parallelize, just interested in dask for memory-purposes

    source_file = "source.hdf5"
    temp_filename = "target.hdf5"

    # Load dataframe
    f = h5.File(source_file, "r")
    x_da = da.from_array(f["/x"])

    # Do some modifications
    x_da = x_da * 2

    # Save to target
    x_da.to_hdf5(temp_filename, "/x", compression="gzip")

    # Close original file
    f.close()

但是，这给出以下错误：

typeError ：（'无法序列化类型数据集的对象。 ）distriptited.comm.utils-错误 - （'无法序列化类型数据集的对象。 3），键入“＆lt; f8”＆gt;'）

我在做错什么，还是根本不可能？如果是这样，是否有解决方法？

提前致谢！

Answer 1

对于任何有兴趣的人，我创建了一个解决方法，该解决方案仅在每个块上调用Compute（）。只是分享它，尽管我仍然对更好的解决方案感兴趣。

def to_hdf5(x, filename, datapath):
    """
    Appends dask array to hdf5 file
    """
    with h5.File(filename, "a") as f:
        dset = f.require_dataset(datapath, shape=x.shape, dtype=x.dtype)

        for block_ids in product(*[range(num) for num in x.numblocks]):
            pos = [sum(x.chunks[dim][0 : block_ids[dim]]) for dim in range(len(block_ids))]
            block = x.blocks[block_ids]
            slices = tuple(slice(pos[i], pos[i] + block.shape[i]) for i in range(len(block_ids)))
            dset[slices] = block.compute()