如何优化压缩时间序列数据集的倒排索引

问题描述

我正在尝试以 25% 的压缩率压缩时间序列数据集。这对我来说已经变成了仇杀。

数据是 1 个月内间隔 1 分钟的历史股票报价（见数据集注释），缺失数据为 0。这相当于大约 9000 个 uint32_t 类型的数据点（我不做小数）

我的第一次尝试是对所有数据使用 FastPFor 压缩。这导致约 80% 的压缩率。还不够好。所以 -

我首先去掉所有的时间戳（很明显）

然后我对历史数据进行了排序并删除了所有重复项。这将唯一值的数量从 ~ 5000 减少到 1000。从那里，我使用差分 SIMD compression algorithm 进一步压缩它。这些也做位包装。这导致最终约 5% 的压缩率。伟大的！问题来了。

要重建数据集，您必须能够将其放回原处。我的想法是为上面每个处理过的值设置倒排索引——每个索引都指向它的原始位置。 这当然只是添加了 9000 个数字。这使尺寸几乎达到原始尺寸。

示例：

Values    Indexes 

10  ===>  40,20,55,100,56,21 

25  ===>  1,5 

...

因此，我尝试压缩倒排索引。

0. 对它们进行排序
1. 删除与前一个值 (RLE) 相差 +1 的任何值
2. 使用 Lemire 的 SIMDCompression github 压缩每个索引列表（我也尝试了他的 FastPFor 算法）

不幸的是，这种压缩索引的尝试并不好。在实际压缩使用每个整数 20-64 位之后，它只导致了大约 75% 的压缩率。请注意，之前我提到我使用的是 32 位数字。压缩使索引列表只有 1 个比原始大小大 2 倍的数字（我希望它保持不变）。

尝试使用倒排索引是徒劳的 - 当它与原始大小相当时，不足以证明额外的处理是合理的。

我还有其他一些想法：

• 确定最常见的数字序列，使用“霍夫曼”类型编码，您可以在其中指定某个值来表示它。

• 压缩算法在处理更多数据时效果更好 - 可能将所有索引连接到 1 个数组中，然后将其压缩一次？

压缩倒排索引的最佳方法是什么？

是否存在理论上的最小压缩率？

你知道我可以用什么方法来代替这个吗？

感谢任何输入。

示例数据

• Formatted stock prices with indexes "quote --> [indexes]" - (不对索引做任何处理)

备注

• 索引的使用将仅用于重建数据集，不会用于任何其他查询。

解决方法

整个排序似乎毫无意义。

我取了你的 8000（不是 9000）个值系列，取了不同之处，然后将它们写成可变长度整数，产生大约 14,000 个字节。然后我用 gzip 压缩它以获得大约 6000 个字节。您没有说 25% 的起点是什么，但如果是四字节二进制整数（32,000 字节），那么这种方法会将其减少到 20% 以下。