HDF5 存储开销

我正在将大量小数据集写入 HDF5 文件，生成的文件大小约为我所输入数据的简单制表所期望的文件大小的 10 倍。我的数据按层次结构组织如下：

group 0
    -> subgroup 0
        -> dataset (dimensions: 100 x 4, datatype: float)
        -> dataset (dimensions: 100, datatype: float)
    -> subgroup 1
        -> dataset (dimensions: 100 x 4, datatype: float)
        -> dataset (dimensions: 100, datatype: float)
    ...
group 1
...

每个子组应占用 500 * 4 字节 = 2000 字节（忽略开销）。我不将任何属性与数据一起存储。然而，在测试中，我发现每个子组占用大约 4 kB，大约是我预期的两倍。我知道有一些开销，但是它来自哪里，我该如何减少它？是代表团体结构吗？

更多信息： 如果我将每个子组中两个数据集的维度增加到 1000 x 4 和 1000，那么每个子组占用大约 22,250 字节，而不是我预期的 20,000 字节。这意味着每个子组的开销为 2.2 kB，并且与我使用较小数据集大小得到的结果一致。有什么办法可以减少这个开销吗？

我会回答我自己的问题。仅表示组结构所涉及的开销就足够了，存储小数组或拥有多个组（每个组仅包含少量数据）是没有意义的。似乎没有任何方法可以减少每组的开销，我测得约为 2.2 kB。

我通过将每个子组中的两个数据集合并为一个 (100 x 5) 数据集来解决此问题。然后，我消除了子组，并将每组中的所有数据集合并为 3D 数据集。因此，如果我之前有 N 个子组，那么现在每个组中有一个数据集，其形状为 (N x 100 x 5)。因此，我节省了之前存在的 N * 2.2 kB 开销。此外，由于 HDF5 的内置压缩对于较大的阵列更有效，因此我现在获得了优于 1:1 的整体打包比，而以前，开销占用了文件的一半空间，压缩完全无效。

我们的教训是避免 HDF5 文件中复杂的组结构，并尝试将尽可能多的数据合并到每个数据集中。