内存不够解决大数据问题

在研究、应用机器学习算法的经历中，相信大伙儿经常遇到数据集太大、内存不够用的情况。

这引出一系列问题：

• 怎么加载十几、几十 GB 的数据文件？

• 运行数据集的时候算法崩溃了，怎么办?

• 怎么处理内存不足导致的错误？

本文将讨论一些常用的解决办法，供大家参考。

处理大型 ML 数据文件的七种思路

1. 分配更多内存

有的机器学习工具/库有默认内存设置，比如 Weka。这便是一个限制因素。

你需要检查一下：是否能重新设置该工具/库，分配更多内存。

对于 Weka，你可以在打开应用时，把内存当作一个参数进行调整。

2. 用更小的样本

你真的需要用到全部数据吗？

可以采集一个数据的随机样本，比如前 1,000 或 100,000 行。在全部数据上训练最终模型之前（使用渐进式的数据加载技巧），先试着用这个小样本解决问题。

总的来说，对算法做快速地抽查、看到结果在前后的变化，在机器学习领域是一个很好的习惯。

你还可以考虑：相对于模型技巧，做一个数据大小的敏感性分析。或许，对于你的随机小样本，有一个天然的边际效应递减分水岭。越过这个关口，继续增加的数据规模带来的好处微乎其微。

3. 更多内存

你必须要用 PC 吗？

你可以考虑内存、性能高一个量级的计算设备。比如，租用 AWS 这样的云服务。租用云端有数十 GB 内存的机器，最低价格每小时不到一美元。我个人觉得这是非常实际的选择。

4. 转换数据格式

你是否把数据存为原始的 ASCII 文本，比如 CSV 文件？

或许，使用其它格式能加速数据载入并且降低内存占用。好的选择包括像 GRIB、NetCDF、HDF 这样的二进制格式。

有很多命令行工具能帮你转换数据格式，而且不需要把整个数据集载入内存里。

换一种格式，可能帮助你以更紧凑的形式存储数据，节省内存空间；比如 2-byte 整数，或者 4-byte 浮点。

5. 流式处理数据，或渐进式的数据加载

你的所有数据，需要同时出现在内存里吗？

或许，你可以用代码或库，随时把需要的数据做流式处理或渐进式加载，导入内存里训练模型。

这可能需要算法使用优化技术迭代学习，比如使用随机梯度下降。那些需要内存里有所有数据、以进行矩阵运算的算法，比如某些对线性回归和逻辑回归的实现，就不适用了。

比如，Keras 深度学习 API 就提供了渐进式加载图像文件的功能，名为 flow_from_directory

另一个例子式 Pandas 库，可批量载入大型 CSV 文件。

6. 使用关系数据库（Relational database）

关系数据库为存储、访问大型数据集提供了标准化的方法。

在内部，数据存在硬盘中，能渐进式地 in batch 批量加载，并使用标准检索语言 SQL 检索。

像 MySQL、Postgres 这样的开源数据库工具，支持绝大多数的（全部？）编程语言。许多机器学习工具，都能直接与关系数据库连通。你也可以用 SQLite 这样更轻量的方法。

我发现，这种方法对大型表格式数据集非常有效率。

雷锋网提醒，你需要用能迭代学习的算法。

7. 使用大数据平台

有的情况下，你可能必须要使用大数据平台，即为处理超大型数据集而开发的平台。它们能让你进行数据转换，并在其上开发机器学习算法。

两个很好的例子是 Hadoop 与机器学习库 Mahout，以及 Spark 与 MLLib 库。

我认为，这是用尽上述办法仍无法解决的情况下，才需要采用的最后手段。单纯是这为你的机器学习项目所带来的额外硬件、软件复杂情况，就会消耗许多精力。

即便如此，有的任务确实数据太过庞大，前面的选项都无法奏效。

 

如何解决处理大数据的时候的内存不足?

比如现在手上有70亿＋1份身高数据，如何用有限的4GB内存找到这些数据中的中间值（也就是从小到大排列的第35亿个人的身高）

粗略计算了一下，4GB／sizeof(double)约等于5亿，也就是说无法把这70亿份数据同时放入内存中进行处理。


求可行的方案（内存可以反复擦写）

磁盘没要求的话，桶排序，然后直接找第35亿个记录。

桶排序就是文件分份然后每一份快排，排完了堆排。

全排到一个文件里之后，读一个数个数，数到中间就输出。

 

其实已经有的答案里开数组数数是线性时间最优的。

 

————————————————————————————————————————————————————————

首先，我觉得这个不是大数据的范畴。
对于大量的数据处理，如果使用内存有限制（一般在面试题中有更好的表述方式），应该采用的方式有一下几种：

1. 分而治之/hash映射 + hash统计 + 堆/快速/归并排序；
2. 双层桶划分
3. Bloom filter/Bitmap；
4. Trie树/数据库/倒排索引；
5. 外排序；
6. 分布式处理之Hadoop/Mapreduce。