Python 使用h5py创建大量数据集-无法注册数据类型atom（可以插入重复密钥）_Python_Numpy_H5py

Python 使用h5py创建大量数据集-无法注册数据类型atom（可以插入重复密钥）

python numpy

Python 使用h5py创建大量数据集-无法注册数据类型atom（可以插入重复密钥）,python,numpy,h5py,Python,Numpy,H5py,我试图将大量numpy结构化数组作为数据集存储在hdf5文件中。例如， f['tree1']=结构化数组1 。。 f['tree60000']=结构化阵列60000 （大约有60000棵树）在读取文件的过程中，大约70%的时间我都会出错 RuntimeError:无法注册数据类型atom（无法插入重复密钥）只有非常大的ascii文件（10e7行，5gb）才会出现此问题。如果文件在（10e6行，500mb）附近，则不会发生此错误。如果取出数据类型并仅存储为字符串的numpy数组，也不会发

我试图将大量numpy结构化数组作为数据集存储在hdf5文件中。
例如，
f['tree1']=结构化数组1
。
。
f['tree60000']=结构化阵列60000 （大约有60000棵树）

在读取文件的过程中，大约70%的时间我都会出错 RuntimeError:无法注册数据类型atom（无法插入重复密钥）

只有非常大的ascii文件（10e7行，5gb）才会出现此问题。如果文件在（10e6行，500mb）附近，则不会发生此错误。如果取出数据类型并仅存储为字符串的numpy数组，也不会发生这种情况

如果我中途停止读取文件，关闭终端，再次打开，然后继续从中间到结尾读取文件（保存结束时的行号），则可以解决此问题。我尝试在python函数本身中打开和关闭hdf5文件，但这不起作用

dt = [
('scale', 'f4'), 
('haloid', 'i8'), 
('scale_desc', 'f4'), 
('haloid_desc', 'i8'), 
('num_prog', 'i4'), 
('pid', 'i8'), 
('upid', 'i8'), 
('pid_desc', 'i8'), 
('phantom', 'i4'), 
('mvir_sam', 'f4'), 
('mvir', 'f4'), 
('rvir', 'f4'), 
('rs', 'f4'), 
('vrms', 'f4'), 
('mmp', 'i4'), 
('scale_lastmm', 'f4'), 
('vmax', 'f4'), 
('x', 'f4'), 
('y', 'f4'), 
('z', 'f4'), 
('vx', 'f4'), 
('vy', 'f4'), 
('vz', 'f4'), 
('jx', 'f4'), 
('jy', 'f4'), 
('jz', 'f4'), 
('spin', 'f4'), 
('haloid_breadth_first', 'i8'), 
('haloid_depth_first', 'i8'), 
('haloid_tree_root', 'i8'), 
('haloid_orig', 'i8'), 
('snap_num', 'i4'), 
('haloid_next_coprog_depthfirst', 'i8'), 
('haloid_last_prog_depthfirst', 'i8'), 
('haloid_last_mainleaf_depthfirst', 'i8'), 
('rs_klypin', 'f4'), 
('mvir_all', 'f4'), 
('m200b', 'f4'), 
('m200c', 'f4'), 
('m500c', 'f4'), 
('m2500c', 'f4'), 
('xoff', 'f4'), 
('voff', 'f4'), 
('spin_bullock', 'f4'), 
('b_to_a', 'f4'), 
('c_to_a', 'f4'), 
('axisA_x', 'f4'), 
('axisA_y', 'f4'), 
('axisA_z', 'f4'), 
('b_to_a_500c', 'f4'), 
('c_to_a_500c', 'f4'), 
('axisA_x_500c', 'f4'), 
('axisA_y_500c', 'f4'), 
('axisA_z_500c', 'f4'), 
('t_by_u', 'f4'), 
('mass_pe_behroozi', 'f4'), 
('mass_pe_diemer', 'f4')
]

def read_in_trees(self):
    """Store each tree as an hdf5 dataset.
    """  
    with open(self.fname) as ascii_file:
        with h5py.File(self.hdf5_name,"r+") as f:
            tree_id = ""  
            current_tree = []
            for line in ascii_file:
                if(line[0]=='#'): #new tree
                        arr = np.array(current_tree, dtype = dt)
                        f[tree_id] = arr
                        current_tree = []
                    tree_id = line[6:].strip('\n')
                else: #read in next tree element
                    current_tree.append(tuple(line.split()))
    return

错误：

/Volumes/My Passport for Mac/raw_trees/bolshoi/rockstar/asciiReaderOne.py in read_in_trees(self)
    129                             arr = np.array(current_tree, dtype = dt)
    130                             # depth_sort =  arr['haloid_depth_first'].argsort()
--> 131                             f[tree_id] = arr
    132                             current_tree = []
    133                         first_line = False

/Library/Python/2.7/site-packages/h5py/_objects.so in h5py._objects.with_phil.wrapper (/Users/travis/build/MacPython/h5py-wheels/h5py/h5py/_objects.c:2458)()

/Library/Python/2.7/site-packages/h5py/_objects.so in h5py._objects.with_phil.wrapper (/Users/travis/build/MacPython/h5py-wheels/h5py/h5py/_objects.c:2415)()

/Library/Python/2.7/site-packages/h5py/_hl/group.pyc in __setitem__(self, name, obj)
    281 
    282         else:
--> 283             ds = self.create_dataset(None, data=obj, dtype=base.guess_dtype(obj))
    284             h5o.link(ds.id, self.id, name, lcpl=lcpl)
    285 

/Library/Python/2.7/site-packages/h5py/_hl/group.pyc in create_dataset(self, name, shape, dtype, data, **kwds)
    101         """
    102         with phil:
--> 103             dsid = dataset.make_new_dset(self, shape, dtype, data, **kwds)
    104             dset = dataset.Dataset(dsid)
    105             if name is not None:

/Library/Python/2.7/site-packages/h5py/_hl/dataset.pyc in make_new_dset(parent, shape, dtype, data, chunks, compression, shuffle, fletcher32, maxshape, compression_opts, fillvalue, scaleoffset, track_times)
    124 
    125     if data is not None:
--> 126         dset_id.write(h5s.ALL, h5s.ALL, data)
    127 
    128     return dset_id

/Library/Python/2.7/site-packages/h5py/_objects.so in h5py._objects.with_phil.wrapper (/Users/travis/build/MacPython/h5py-wheels/h5py/h5py/_objects.c:2458)()

/Library/Python/2.7/site-packages/h5py/_objects.so in h5py._objects.with_phil.wrapper (/Users/travis/build/MacPython/h5py-wheels/h5py/h5py/_objects.c:2415)()

/Library/Python/2.7/site-packages/h5py/h5d.so in h5py.h5d.DatasetID.write (/Users/travis/build/MacPython/h5py-wheels/h5py/h5py/h5d.c:3260)()

/Library/Python/2.7/site-packages/h5py/h5t.so in h5py.h5t.py_create (/Users/travis/build/MacPython/h5py-wheels/h5py/h5py/h5t.c:15314)()

/Library/Python/2.7/site-packages/h5py/h5t.so in h5py.h5t.py_create (/Users/travis/build/MacPython/h5py-wheels/h5py/h5py/h5t.c:14903)()

/Library/Python/2.7/site-packages/h5py/h5t.so in h5py.h5t._c_compound (/Users/travis/build/MacPython/h5py-wheels/h5py/h5py/h5t.c:14192)()

/Library/Python/2.7/site-packages/h5py/h5t.so in h5py.h5t.py_create (/Users/travis/build/MacPython/h5py-wheels/h5py/h5py/h5t.c:15314)()

/Library/Python/2.7/site-packages/h5py/h5t.so in h5py.h5t.py_create (/Users/travis/build/MacPython/h5py-wheels/h5py/h5py/h5t.c:14749)()

/Library/Python/2.7/site-packages/h5py/h5t.so in h5py.h5t._c_float (/Users/travis/build/MacPython/h5py-wheels/h5py/h5py/h5t.c:12379)()

RuntimeError: Unable to register datatype atom (Can't insert duplicate key)

你有错误堆栈吗？代码中哪里产生错误的指示

您报告：

error RuntimeError:无法注册数据类型atom（无法插入重复密钥）

在/usr/lib/python3/dist-packages/h5py/_-hl/datatype.py中

class Datatype(HLObject):
    # Represents an HDF5 named datatype stored in a file.
    # >>> MyGroup["name"] = numpy.dtype("f")
    def __init__(self, bind):
        """ Create a new Datatype object by binding to a low-level TypeID.

我在猜测。您的

dt

有57个术语。我怀疑每次向文件中添加

树

，它都会将每个字段注册为新的

数据类型

In [71]: (57*10e7*.7)/(2**32)
Out[71]: 0.9289942681789397

57*10e7的70%接近2*32。如果Python/numpy使用int32作为数据类型id，那么您可能达到了这个极限

我们必须在

h5py

或

numpy

代码中进一步挖掘，以找到谁发出了此错误消息

通过使用以下命令向文件添加数组：

f[tree_id] = arr

您正在将每个数组放入一个新的

组中的数据集中。如果每个数据集都有一个数据类型，或者数组的每个字段都有一个数据类型，那么很容易得到2*32个数据类型
另一方面，如果可以将多个arr
存储到一个组或数据集，则可以避免注册数千种数据类型。我对h5py的h5py
不太熟悉，无法建议您如何操作

我想知道这个序列是否可以对多个数据集重用数据类型：
dt1=np.dtype(dt)
gg= f.create_group('testgroup')
gg['xdtype']=dt1
# see h5py.Datatype doc
xdtype=gg['xdtype']
x=np.zeros((10,),dtype=xdtype)
gg['tree1']=x
x=np.ones((10,),dtype=xdtype)
gg['tree2']=x

在数据类型
文档之后，我尝试注册一个命名的数据类型，并将其用于添加到组中的每个数据集
In [117]: isinstance(xdtype, h5py.Datatype)
Out[117]: True
In [118]: xdtype.id
Out[118]: <h5py.h5t.TypeCompoundID at 0xb46e0d4c>

[117]中的：isinstance（xdtype，h5py.Datatype）
Out[117]：对
在[118]中：xdtype.id
出[118]：

因此，如果我正确读取def make\u new\u dset
，这将绕过py\u create
调用。
听起来像树id
在ascii\u文件中重复。如果没有真正的副本，可能会有某种截断。或者界面中的一些c
代码正在使用小整数进行索引。是否有某种h5py
flush
方法？也就是说，告诉它，保存您拥有的数据集，然后重新开始？您的10e6/7错误范围接近2*32
，这可能会在32位机器上产生问题。没有重复的树。hdf5数据是在我关闭终端并在中途重新启动时保存的，但我正在寻找一种不太老套的解决方案。我发布了错误消息。我还发现代码在创建约48000个数据集后停止。每个数据集存储自己的数据类型。通常每个树中有多少个元素（行）？我想我已经找到了注册数据类型的方法，因此，它不会为每个树创建新的集合。我尝试了您的代码以重用该数据类型，但仍然出现相同的错误。它似乎没有数据集ID，而没有数据类型ID，但问题仅在指定数据类型时出现。