python - 从 numpy.int32 数组的数据字节中有效地删除每 4 个字节

Question

我有一个大numpy.int32阵列，可能需要 4GB 或更多。它实际上是一个 24 位整数数组 (在音频应用中很常见)，但作为 numpy.int24不存在，我使用了 int32 .
我想将此数组的数据作为 24 位(即每个数字 3 个字节)输出到文件。

这有效(我不久前在某处找到了这个“食谱”，但我再也找不到在哪里了):

  import numpy as np
  x = np.array([[-33772,-2193],[13313,-1314],[20965,-1540],[10706,-5995],[-37719,-5871]], dtype=np.int32)
  data = ((x.reshape(x.shape + (1,)) >> np.array([0, 8, 16])) & 255).astype(np.uint8)
  print(data.tostring())

  # b'\x14|\xffo\xf7\xff\x014\x00\xde\xfa\xff\xe5Q\x00\xfc\xf9\xff\xd2)\x00\x95\xe8\xff\xa9l\xff\x11\xe9\xff'

但是很多reshape当 x 时效率低下有几 GB 大:它需要大量不需要的 RAM。

另一种解决方案是删除每 4 个字节:

s = bytes([c for i, c in enumerate(x.tostring()) if i % 4 != 3])

# b'\x14|\xffo\xf7\xff\x014\x00\xde\xfa\xff\xe5Q\x00\xfc\xf9\xff\xd2)\x00\x95\xe8\xff\xa9l\xff\x11\xe9\xff'

它有效，但我怀疑如果 x假设需要 4 GB 的 RAM，这条线将至少消耗 8 GB 的 RAM，对于 s和 x (也许还有 x.tostring() ？)

TL;博士:如何通过删除每 4 个字节来有效地(不使用两倍于实际数据大小的 RAM)将一个 int32 数组作为 24 位数组写入磁盘？
注意:这是可能的，因为整数实际上是 24 位的，即每个值的绝对值 < 2^23-1

Answer 1

经过更多的摆弄，我发现这是有效的:

import numpy as np
x = np.array([[-33772,-2193],[13313,-1314],[20965,-1540],[10706,-5995],[-37719,-5871]], dtype=np.int32)
x2 = x.view(np.uint8).reshape(-1,4)[:,:3]
print(x2.tostring())
# b'\x14|\xffo\xf7\xff\x014\x00\xde\xfa\xff\xe5Q\x00\xfc\xf9\xff\xd2)\x00\x95\xe8\xff\xa9l\xff\x11\xe9\xff'

这是一个时间+内存基准:

import numpy as np, time
t0 = time.time()
x = np.random.randint(10000, size=(125_000_000, 2), dtype=np.int32)  # 125M * 2 * 4 bytes ~ 1GB of RAM
print('Random array generated in %.1f sec.' % (time.time() - t0))
time.sleep(5)  
# you can check the RAM usage in the task manager in the meantime...
t0 = time.time()
x2 = x.view(np.uint8).reshape(-1,4)[:,:3]
x2.tofile('test')
print('24-bit output file written in %.1f sec.' % (time.time() - t0))

结果:

Random array generated in 4.6 sec.
24-bit output file written in 35.9 sec.

此外，在整个处理过程中仅使用了约 1GB(使用 Windows 任务管理器进行监控)

@jdehesa 的方法给出了类似的结果，即如果我们改用这一行:

x2 = np.ndarray(shape=x.shape + (3,), dtype=np.uint8, buffer=x, offset=0, strides=x.strides + (1,))

该进程的 RAM 使用量也达到了 1GB 的峰值，并且花费的时间在 x2.tofile(...) 上。是 ~37 秒。