[英]Numpy array taking too much memory
我正在通过 numpy.loadtxt 将一个 csv 文件加载到一个 numpy 数组中。 我的数据有大约 100 万条记录和 87 列。 虽然 object.nbytes 只有 177159666 字节,但它实际上需要更多的内存,因为我在使用 scikit-learn 训练决策树时得到“MemoryError”。 此外,在读取数据后,我系统中的可用内存减少了 1.8 gigs。 我正在使用 3 演出内存的 linux 机器上工作。 那么 object.nbytes 是否返回 numpy 数组的实际内存使用情况?
train = np.loadtxt('~/Py_train.csv', delimiter=',', skiprows=1, dtype='float16')
我在尝试创建一个 400,000 x 100,000 的大型矩阵时遇到了类似的问题。 将所有这些数据放入一个 ndarray 是不可能的。
然而,我想出的重要见解是矩阵中的大多数值都是空的,因此可以将其表示为稀疏矩阵。 稀疏矩阵很有用,因为它能够使用较少的内存来表示数据。 我使用了 Scipy.sparse 的稀疏矩阵实现,并且我能够在内存中适应这个大矩阵。
这是我的实现:
https://github.com/paolodm/Kaggle/blob/master/mdschallenge/buildmatrix.py
可能更好的性能是使用numpy.fromiter
:
In [30]: numpy.fromiter((tuple(row) for row in csv.reader(open('/tmp/data.csv'))), dtype='i4,i4,i4')
Out[30]:
array([(1, 2, 3), (4, 5, 6)], dtype=[('f0', '<i4'), ('f1', '<i4'), ('f2', '<i4')])
在哪里
$ cat /tmp/data.csv
1,2,3
4,5,6
或者,我强烈建议您使用pandas
:它基于numpy
并且具有许多实用函数来进行统计分析。
我刚刚遇到了同样的问题:
我保存的 .npy 文件是 752M(在磁盘上),并且 arr.nbytes = 701289568(~669M); 但是 np.load 占用 2.7g 内存,即实际所需内存的 4 倍
https://github.com/numpy/numpy/issues/17461
事实证明:
数据数组包含混合(少量)字符串和(大量)数字。
但是这些 8 字节位置中的每一个都指向一个 python 对象,该对象至少需要 24 个字节加上数字或字符串的空间。
因此,在内存中(8 字节指针 + 24 字节)~= 文件中大部分 8 字节(双数)的 4 倍。
注意: np.save() 和 np.load() 不是对称的:
-- np.save() 将数字类型保存为标量数据,因此磁盘文件大小与用户心目中的数据大小一致,且较小
-- np.load() 将数字类型加载为 PyObject,并将内存使用量膨胀为用户预期的 4 倍。
这对于其他文件格式也是一样的,例如 csv 文件。
结论:不要在 np 数组中使用混合类型(字符串作为 np.object 和 np.numbers)。 使用同构数字类型,例如 np.double。 然后内存将占用与转储磁盘文件大致相同的空间。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.