python - 有没有更有效的方法将大文件中的行附加到 numpy 数组？ - 内存错误

Question

我正在尝试使用这个 lda用于处理包含 39568 行和 27519 列的术语文档矩阵 csv 文件的包，仅包含计数/自然数。

问题:我在读取文件并将其存储到 numpy 数组时遇到 MemoryError。

目标:从 TDM csv 文件中获取数字并将其转换为 numpy 数组，以便我可以将 numpy 数组用作 lda 的输入。

with open("Results/TDM - Matrix Only.csv", 'r') as matrix_file:
    matrix = np.array([[int(value) for value in line.strip().split(',')] for line in matrix_file])

我也尝试过使用 numpy append、vstack 和 concatenate，但我仍然遇到 MemoryError。

有没有办法避免内存错误？

编辑:

我试过使用 dtype int32 和 int，它给了我:

WindowsError: [Error 8] Not enough storage is available to process this command

我也试过使用 dtype float64 并且它给了我:

OverflowError: cannot fit 'long' into an index-sized integer

使用这些代码:

fp = np.memmap("Results/TDM-memmap.txt", dtype='float64', mode='w+', shape=(len(documents), len(vocabulary)))
matrix = np.genfromtxt("Results/TDM.csv", dtype='float64', delimiter=',', skip_header=1)
fp[:] = matrix[:]

和

with open("Results/TDM.csv", 'r') as tdm_file:
    vocabulary = [value for value in tdm_file.readline().strip().split(',')]
    fp = np.memmap("Results/TDM-memmap.txt", dtype='float64', mode='w+', shape=(len(documents), len(vocabulary)))
    for idx, line in enumerate(tdm_file):
        fp[idx] = np.array(line.strip().split(','))

其他可能重要的信息

• Win10 64 位
• 8GB 内存(7.9 可用)|在报告 MemoryError 之前从大约 3GB(使用了大约 2GB)达到 5.5GB 的峰值
• Python 2.7.10 [MSC v.1500 32 位(英特尔)]
• 使用 PyCharm 社区版 5.0.3

Answer 1

由于您的字数几乎全为零，因此将它们存储在 scipy.sparse 矩阵中会更有效率。例如:

from scipy import sparse
import textmining
import lda

# a small example matrix
tdm = textmining.TermDocumentMatrix()
tdm.add_doc("here's a bunch of words in a sentence")
tdm.add_doc("here's some more words")
tdm.add_doc("and another sentence")
tdm.add_doc("have some more words")

# tdm.sparse is a list of dicts, where each dict contains {word:count} for a single
# document
ndocs = len(tdm.sparse)
nwords = len(tdm.doc_count)
words = tdm.doc_count.keys()

# initialize output sparse matrix
X = sparse.lil_matrix((ndocs, nwords),dtype=int)

# iterate over documents, fill in rows of X
for ii, doc in enumerate(tdm.sparse):
    for word, count in doc.iteritems():
        jj = words.index(word)
        X[ii, jj] = count

X 现在是 (ndocs, nwords) scipy.sparse.lil_matrix ，而words是一个列表，对应于X的列:

print(words)
# ['a', 'and', 'another', 'sentence', 'have', 'of', 'some', 'here', 's', 'words', 'in', 'more', 'bunch']

print(X.todense())
# [[2 0 0 1 0 1 0 1 1 1 1 0 1]
#  [0 0 0 0 0 0 1 1 1 1 0 1 0]
#  [0 1 1 1 0 0 0 0 0 0 0 0 0]
#  [0 0 0 0 1 0 1 0 0 1 0 1 0]]

您可以将 X 直接传递给 lda.LDA.fit , 尽管将其转换为 scipy.sparse.csr_matrix 可能会更快第一:

X = X.tocsr()
model = lda.LDA(n_topics=2, random_state=0, n_iter=100)
model.fit(X)
# INFO:lda:n_documents: 4
# INFO:lda:vocab_size: 13
# INFO:lda:n_words: 21
# INFO:lda:n_topics: 2
# INFO:lda:n_iter: 100
# INFO:lda:<0> log likelihood: -126
# INFO:lda:<10> log likelihood: -102
# INFO:lda:<20> log likelihood: -99
# INFO:lda:<30> log likelihood: -97
# INFO:lda:<40> log likelihood: -100
# INFO:lda:<50> log likelihood: -100
# INFO:lda:<60> log likelihood: -104
# INFO:lda:<70> log likelihood: -108
# INFO:lda:<80> log likelihood: -98
# INFO:lda:<90> log likelihood: -98
# INFO:lda:<99> log likelihood: -99