目前,我正在处理非常适合我的内存的巨大数据集,因此我使用np.memmap.但是在某些时候,我必须将我的数据集分为训练和测试.
当我想使用一些索引数组切片np.memmap时,我发现了这种情况:
(下面可以找到代码和内存分配)
Line # Mem usage Increment Line Contents
================================================
7 29.340 MB 0.000 MB def my_func2():
8 29.340 MB 0.000 MB ARR_SIZE = (1221508/4,430)
9 29.379 MB 0.039 MB big_mmap = np.memmap('big_mem_test.mmap',shape=ARR_SIZE, dtype=np.float64, mode='r')
10 38.836 MB 9.457 MB idx = range(ARR_SIZE[0])
11 2042.605 MB 2003.770 MB sub = big_mmap[idx,:]
12 3046.766 MB 1004.160 MB sub2 = big_mmap[idx,:]
13 3046.766 MB 0.000 MB return type(sub)
但是,如果我想进行连续切片,我会使用以下代码:
Line # Mem usage Increment Line Contents
================================================
15 29.336 MB 0.000 MB def my_func3():
16 29.336 MB 0.000 MB ARR_SIZE = (1221508/4,430)
17 29.375 MB 0.039 MB big_mmap = np.memmap('big_mem_test.mmap',shape=ARR_SIZE, dtype=np.float64, mode='r')
18 29.457 MB 0.082 MB sub = big_mmap[0:1221508/4,:]
19 29.457 MB 0.000 MB sub2 = big_mmap[0:1221508/4,:]
请注意,在第18,19行的第二个示例中,没有内存分配,整个操作要快得多.
在第11行的第一个示例中,有一个分配,因此在切片期间会读取整个big_mmap矩阵.但是第12行更令人惊讶的是还有另一个分配.进行更多此类操作,您很容易耗尽内存.
当我拆分数据集时,索引是相当随机的并且不是连续的,所以我不能使用big_mmap [start:end ,:]表示法.
我的问题是:
还有其他方法可以让我切片memmap而不将整个数据读取到内存吗?
为什么在对索引进行切片时将整个矩阵读到内存中(示例一)?
为什么要再次读取并分配数据(第一个示例行12)?
解决方法:
您在第一个示例中看到的双重分配并不是由于memmap行为引起的;相反,这是由于numpy的ndarray类如何实现__getitem__所致.当使用列表对ndarray进行索引时(如您的第一个示例),将从源数组中复制数据.使用切片对象为索引建立索引后,将在源数组中创建一个视图(不复制任何数据).例如:
In [2]: x = np.arange(16).reshape((4,4))
In [3]: x
Out[3]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
In [4]: y = x[[0, 2], :]
In [5]: y[:, :] = 100
In [6]: x
Out[6]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
y是来自x的数据的副本,因此更改y对x无效.现在通过切片为数组建立索引:
In [7]: z = x[::2, :]
In [8]: z[:, :] = 100
In [9]: x
Out[9]:
array([[100, 100, 100, 100],
[ 4, 5, 6, 7],
[100, 100, 100, 100],
[ 12, 13, 14, 15]])
关于第一个问题,我不知道有什么方法可以让您创建包含整个数组的任意切片,而无需将整个数组读入内存.您可能会考虑两个选项(除了您已经讨论过的HDF5 / PyTables之类的东西之外):
>如果您正在访问培训的内容,依次测试集(而不是将它们作为两个完整的数组进行操作),您可以轻松编写一个小型包装器类,该包装器类的__getitem__方法使用您的索引数组从memmap中提取适当的样本(即,training [i]返回big_mmap [training_ids [一世]])
>将数组拆分为两个单独的文件,其中仅包含训练或测试值.然后,您可以使用两个单独的memmap对象.
标签:python,numpy