Question

我正在尝试对通过从磁盘读取文件而创建的大型字典进行一些分析。读取操作导致稳定的内存占用。然后我有一个方法，它根据我从该字典复制到临时字典中的数据执行一些计算。我这样做是为了使所有复制和数据使用都在方法中，并且我希望，在方法调用结束时消失。

可悲的是，我做错了什么。 customerdict定义如下（在.py变量顶部定义）：

customerdict = collections.defaultdict(dict)

对象的格式为{customerid：dictionary {id：0 || 1}}

还有一个名为allids的类似定义的字典。

我有一个计算sim_pearson距离的方法（编程集体智力书的修改代码），如下所示。

def sim_pearson(custID1, custID2):
si = []

smallcustdict = {}
smallcustdict[custID1] = customerdict[custID1]
smallcustdict[custID2] = customerdict[custID2]

#a loop to round out the remaining allids object to fill in 0 values
for customerID, catalog in smallcustdict.iteritems():
    for id in allids:
        if id not in catalog:
            smallcustdict[customerID][asin] = 0.0

#get the list of mutually rated items
for id in smallcustdict[custID1]:
    if id in smallcustdict[custID2]:
        si.append(id) # = 1

#return 0 if there are no matches
if len(si) == 0: return 0

#add up all the preferences
sum1 = sum([smallcustdict[custID1][id] for id in si])
sum2 = sum([smallcustdict[custID2][id] for id in si])

#sum up the squares
sum1sq = sum([pow(smallcustdict[custID1][id],2) for id in si])
sum2sq = sum([pow(smallcustdict[custID2][id],2) for id in si])

#sum up the products
psum = sum([smallcustdict[custID1][id] * smallcustdict[custID2][id] for id in si])

#calc Pearson score
num = psum - (sum1*sum2/len(si))
den = sqrt((sum1sq - pow(sum1,2)/len(si)) * (sum2sq - pow(sum2,2)/len(si)))

del smallcustdict
del si
del sum1
del sum2
del sum1sq
del sum2sq
del psum

if den == 0:
    return 0

return num/den

通过sim_pearson方法的每个循环都会增加python.exe无限制的内存占用量。我尝试使用“del”方法显式删除本地范围的变量。

看着taskmanager，内存以6-10Mb的增量跳跃。设置初始customerdict后，占用空间为137Mb。

任何想法为什么我这样做会耗尽内存？

Answer 1

我认为这个问题在这里：

smallcustdict[custID1] = customerdict[custID1]
smallcustdict[custID2] = customerdict[custID2]

#a loop to round out the remaining allids object to fill in 0 values
for customerID, catalog in smallcustdict.iteritems():
    for id in allids:
        if id not in catalog:
            smallcustdict[customerID][asin] = 0.0

来自customerdict的词典在smallcustdict中被引用 - 所以当您添加它们时，它们会一直存在。这是我唯一可以看到你在哪里做任何会超出范围的事情，所以我想这就是问题所在。

请注意，由于不使用list comps，反复做同样的事情，而不是通用的方法来做事，你在很多地方为自己做了很多工作，更好的版本可能如下：

import collections
import functools
import operator

customerdict = collections.defaultdict(dict)

def sim_pearson(custID1, custID2):

    #Declaring as a dict literal is nicer.
    smallcustdict = {
        custID1: customerdict[custID1],
        custID2: customerdict[custID2],
    }

    # Unchanged, as I'm not sure what the intent is here.
    for customerID, catalog in smallcustdict.iteritems():
        for id in allids:
            if id not in catalog:
                smallcustdict[customerID][asin] = 0.0

    #dict views are set-like, so the easier way to do what you want is the intersection of the two.
    si = smallcustdict[custID1].viewkeys() & smallcustdict[custID2].viewkeys()

    #if not is a cleaner way of checking for no values.
    if not si:
        return 0

    #Made more generic to avoid repetition and wastefully looping repeatedly.
    parts = [list(part) for part in zip(*((value[id] for value in smallcustdict.values()) for id in si))]

    sums = [sum(part) for part in parts]
    sumsqs = [sum(pow(i, 2) for i in part) for part in parts]
    psum = sum(functools.reduce(operator.mul, part) for part in zip(*parts))

    sum1, sum2 = sums
    sum1sq, sum2sq = sumsqs

    #Unchanged.
    num = psum - (sum1*sum2/len(si))
    den = sqrt((sum1sq - pow(sum1,2)/len(si)) * (sum2sq - pow(sum2,2)/len(si)))

    #Again using if not.
    if not den:
        return 0
    else:
        return num/den

请注意，这完全未经测试，因为您提供的代码不是一个完整的示例。但是，使用它作为改进的基础应该很容易。

Answer 2

尝试更改以下两行：

smallcustdict[custID1] = customerdict[custID1]
smallcustdict[custID2] = customerdict[custID2]

到

smallcustdict[custID1] = customerdict[custID1].copy()
smallcustdict[custID2] = customerdict[custID2].copy()

这样，当customerdict函数返回时，您对这两个词典所做的更改不会在sim_pearson()中保留。

具有列表推导的Python内存管理

2 个答案: