データストア入門

データストアとは

データストアは、単一のファイルまたはファイルやデータのコレクションを読み取るオブジェクトです。データストアは、同一の構造と形式をもつデータのリポジトリとして機能します。たとえば、データストア内の各ファイルは同じ順序で現れる同じ型 (数値またはテキストなど) のデータを含み、同じ区切り記号で区切られていなければなりません。

データストアは次の場合に役に立ちます。

コレクションに含まれる各ファイルが大きすぎてメモリに収まらない場合。データストアにより、各ファイルのデータをメモリに収まる小さいサイズで読み取り、解析できます。
コレクションに含まれるファイルに任意の名前が付いている場合。データストアは、1 つ以上のフォルダーに含まれるファイルのリポジトリとして機能します。ファイルの名前が通し番号を含む必要はありません。

データストアは、データ型やアプリケーションの種類に基づいて作成できます。各種類のデータストアには、それらのデータストアがサポートするデータ型に関連するプロパティが含まれています。たとえば、MATLAB^® データストアの一覧は、次の表を参照してください。データストアの完全な一覧は、ファイル形式またはアプリケーション用のデータストアの選択を参照してください。

ファイルの種類またはデータ型	データストアの種類
CSV ファイルなどの列方向優先データを含むテキストファイル。	`TabularTextDatastore`
JPEG や PNG など、`imread` によってサポートされる形式を含む、イメージファイル。	`ImageDatastore`
`.xlsx` などのサポートされている Excel^® 形式をもつスプレッドシートファイル。	`SpreadsheetDatastore`
`mapreduce` の入力または出力であるキーと値のペアのデータ。	`KeyValueDatastore`
列方向データを含む Parquet ファイル。	`ParquetDatastore`
カスタムファイル形式。データの読み取り用に提供された関数が必要です。	`FileDatastore`
`tall` 配列のチェックポイント用データストア。	`TallDatastore`

データストアの作成およびその読み取り

関数 tabularTextDatastore を使用して、各航空会社のフライトの出発と到着情報が含まれているサンプルファイル airlinesmall.csv からデータストアを作成します。結果は TabularTextDatastore オブジェクトです。

ds = tabularTextDatastore('airlinesmall.csv')

ds = 

  TabularTextDatastore with properties:

                      Files: {
                             ' ...\matlab\toolbox\matlab\demos\airlinesmall.csv'
                             }
                    Folders: {
                             ' ...\matlab\toolbox\matlab\demos'
                             }
               FileEncoding: 'UTF-8'
   AlternateFileSystemRoots: {}
      PreserveVariableNames: false
          ReadVariableNames: true
              VariableNames: {'Year', 'Month', 'DayofMonth' ... and 26 more}
             DatetimeLocale: en_US

  Text Format Properties:
             NumHeaderLines: 0
                  Delimiter: ','
               RowDelimiter: '\r\n'
             TreatAsMissing: ''
               MissingValue: NaN

  Advanced Text Format Properties:
            TextscanFormats: {'%f', '%f', '%f' ... and 26 more}
                   TextType: 'char'
         ExponentCharacters: 'eEdD'
               CommentStyle: ''
                 Whitespace: ' \b\t'
    MultipleDelimitersAsOne: false

  Properties that control the table returned by preview, read, readall:
      SelectedVariableNames: {'Year', 'Month', 'DayofMonth' ... and 26 more}
            SelectedFormats: {'%f', '%f', '%f' ... and 26 more}
                   ReadSize: 20000 rows
                 OutputType: 'table'
                   RowTimes: []

  Write-specific Properties:
     SupportedOutputFormats: ["txt"    "csv"    "xlsx"    "xls"    "parquet"    "parq"]
        DefaultOutputFormat: "txt"

データストアを作成すると、すべてのデータをメモリに読み込まなくても対象のデータをプレビューできます。SelectedVariableNames プロパティを使用して目的の変数 (列) を指定し、その変数だけをプレビュー表示したり読み取ったりできます。

ds.SelectedVariableNames = {'DepTime','DepDelay'};
preview(ds)

ans =

  8×2 table

    DepTime    DepDelay
    _______    ________

      642         12   
     1021          1   
     2055         20   
     1332         12   
      629         -1   
     1446         63   
      928         -2   
      859         -1

欠損値を表すデータの値を指定できます。airlinesmall.csv では、欠損値は NA で表されます。

ds.TreatAsMissing = 'NA';

データストア内の目的の変数に関するすべてのデータがメモリに収まる場合は、関数 readall を使用してそのデータを読み取ることができます。

T = readall(ds);

それ以外の場合は、関数 read を使用してメモリに収まる小さなサブセットとしてデータを読み取ります。関数 read は既定で、TabularTextDatastore から一度に 20,000 行ずつ読み取ります。ただし、この値は ReadSize プロパティに新しい値を代入して変更できます。

ds.ReadSize = 15000;

関数 reset を使用して、再度読み取る前にデータストアを初期状態にリセットします。while ループ内で関数 read を呼び出して、各データのサブセットで中間計算を実行してから、最後に中間結果を集計できます。次のコードでは、変数 DepDelay の最大値を計算しています。

reset(ds)
X = [];
while hasdata(ds)
      T = read(ds);
      X(end+1) = max(T.DepDelay);
end
maxDelay = max(X)

maxDelay =

        1438

個々のファイルのデータがメモリに収まる場合は、read の各呼び出しで特定の行数ではなく 1 つのファイル全体を読み取るように指定できます。

reset(ds)
ds.ReadSize = 'file';
X = [];
while hasdata(ds)
      T = read(ds);
      X(end+1) = max(T.DepDelay);
end
maxDelay = max(X);

データストア内のデータのサブセットの読み取りに加えて、mapreduce を使用して map 関数と reduce 関数をデータストアに適用できます。また、tall を使用して tall 配列を作成することもできます。詳細については、MapReduce 入門とメモリに収まらないデータの tall 配列を参照してください。

参考