我有一個合理的大?。▔嚎s后的18GB）HDF5數據集，并希望優化讀取行的速度。形狀為（639038，10000）。我將多次讀取整個數據集中的選定行（例如?1000行）。所以我不能使用x：（x + 1000）來切片行。使用h5py從內存不足的HDF5中讀取行已經很慢，因為我必須傳遞一個排序列表并求助于高級索引。有沒有一種方法可以避免花式索引，或者我可以使用更好的塊形狀/大小？我已經閱讀了一些經驗法則，例如1MB-10MB的塊大小，并且選擇的形狀與我正在閱讀的內容保持一致。但是，構建大量具有不同塊形狀的HDF5文件進行測試在計算上非常昂貴且非常緩慢。對于每個?1,000行的選擇，我立即將它們求和以獲得長度10,000的數組。我當前的數據集如下所示：'10000': {'chunks': (64, 1000),          'compression': 'lzf',          'compression_opts': None,          'dtype': dtype('float32'),          'fillvalue': 0.0,          'maxshape': (None, 10000),          'shape': (639038, 10000),          'shuffle': False,          'size': 2095412704}我已經嘗試過的東西：用大塊形狀（128，10000）重寫數據集（據我估計約為5MB）太慢了。我看了dask.array進行了優化，但是由于?1,000行很容易容納在內存中，所以我看不到任何好處。