问题描述

一些提示：

不要使用struct模块。而是使用Numpy的结构化数据类型和fromfile。在这里检查：http : //scipy-lectures.github.com/advanced/advanced_numpy/index.html#example-reading-wav-files
您可以通过将适当的count =传递给来一次读取所有记录fromfile。

像这样（未经测试，但您知道了）：

将numpy导入为np

文件=打开（input_file，'rb'）
标头= file.read（149）

＃...像您一样解析标头...

record_dtype = np.dtype（[
    （“时间戳记”，“ <i4”）， 
    （“样本”，“ <i2”，（样本率，4））
]）

数据= np.fromfile（文件，dtype = record_dtype，count =记录数）
＃注意：计数可以省略-它只读取整个文件，然后

time_series = data ['timestamp']
t_series = data ['samples'] [：，：，0] .ravel（）
x_series = data ['samples'] [：，：，1] .ravel（）
y_series = data ['samples'] [：，：，2] .ravel（）
z_series = data ['samples'] [：，：，3] .ravel（）

解决方法

我有很大的数据集，这些数据集存储在硬盘上的二进制文件中。这是文件结构的示例：

文件头

149 Byte ASCII Header

记录开始

4 Byte Int - Record Timestamp

样品开始

2 Byte Int - Data Stream 1 Sample
2 Byte Int - Data Stream 2 Sample
2 Byte Int - Data Stream 3 Sample
2 Byte Int - Data Stream 4 Sample

样品结束

每个记录有122,880个样本，每个文件有713个记录。这样产生的总大小为700,910,521字节。采样率和记录数量有时会有所不同，因此我必须编写代码以检测每个文件的数量。

目前，我用于将此数据导入数组的代码如下所示：

from time import clock
from numpy import zeros,int16,int32,hstack,array,savez
from struct import unpack
from os.path import getsize

start_time = clock()
file_size = getsize(input_file)

with open(input_file,'rb') as openfile:
  input_data = openfile.read()

header = input_data[:149]
record_size = int(header[23:31])
number_of_records = ( file_size - 149 ) / record_size
sample_rate = ( ( record_size - 4 ) / 4 ) / 2

time_series = zeros(0,dtype=int32)
t_series = zeros(0,dtype=int16)
x_series = zeros(0,dtype=int16)
y_series = zeros(0,dtype=int16)
z_series = zeros(0,dtype=int16)

for record in xrange(number_of_records):

  time_stamp = array( unpack( '<l',input_data[ 149 + (record * record_size) : 149 + (record * record_size) + 4 ] ),dtype = int32 )
  unpacked_record = unpack( '<' + str(sample_rate * 4) + 'h',input_data[ 149 + (record * record_size) + 4 : 149 + ( (record + 1) * record_size ) ] )

  record_t = zeros(sample_rate,dtype=int16)
  record_x = zeros(sample_rate,dtype=int16)
  record_y = zeros(sample_rate,dtype=int16)
  record_z = zeros(sample_rate,dtype=int16)

  for sample in xrange(sample_rate):

    record_t[sample] = unpacked_record[ ( sample * 4 ) + 0 ]
    record_x[sample] = unpacked_record[ ( sample * 4 ) + 1 ]
    record_y[sample] = unpacked_record[ ( sample * 4 ) + 2 ]
    record_z[sample] = unpacked_record[ ( sample * 4 ) + 3 ]

  time_series = hstack ( ( time_series,time_stamp ) )
  t_series = hstack ( ( t_series,record_t ) )
  x_series = hstack ( ( x_series,record_x ) )
  y_series = hstack ( ( y_series,record_y ) )
  z_series = hstack ( ( z_series,record_z ) )

savez(output_file,t=t_series,x=x_series,y=y_series,z=z_series,time=time_series)
end_time = clock()
print 'Total Time',end_time - start_time,'seconds'

目前每700 MB文件大约需要250秒，在我看来，这是非常高的。有没有更有效的方法可以做到这一点？

最终解决方案

将numpy fromfile方法与自定义dtype一起使用可将运行时间缩短到9秒，比上面的原始代码快27倍。最终代码如下。

from numpy import savez,dtype,fromfile 
from os.path import getsize
from time import clock

start_time = clock()
file_size = getsize(input_file)

openfile = open(input_file,'rb')
header = openfile.read(149)
record_size = int(header[23:31])
number_of_records = ( file_size - 149 ) / record_size
sample_rate = ( ( record_size - 4 ) / 4 ) / 2

record_dtype = dtype( [ ( 'timestamp','<i4' ),( 'samples','<i2',( sample_rate,4 ) ) ] )

data = fromfile(openfile,dtype = record_dtype,count = number_of_records )
time_series = data['timestamp']
t_series = data['samples'][:,:,0].ravel()
x_series = data['samples'][:,1].ravel()
y_series = data['samples'][:,2].ravel()
z_series = data['samples'][:,3].ravel()

savez(output_file,fid=time_series)

end_time = clock()

print 'It took','seconds'

python

从二进制文件创建Numpy数组的有效方法

问题描述

解决方法

最终解决方案