如何保存大数组以便在python中占用更少的内存？

Question

我是python的新手。我有一个大数组，a，其大小如(43200, 4000)，我需要保存它，因为我需要将其用于将来的处理。当我尝试用np.savetxt保存它时，txt文件太大而我的程序遇到内存错误，因为我需要处理相同大小的5个文件。有没有办法保存庞大的数组，以便占用更少的内存？

感谢。

Answer 1

将数据保存到文本文件效率非常低。 Numpy有内置的保存命令save和savez/savez_compressed，它们更适合存储大型数组。

根据您计划使用数据的方式，您还应该查看HDF5格式（h5py或pytables），它允许您存储大型数据集，而无需将其全部加载到内存中。

Answer 2

您可以使用PyTables创建分层数据格式（HDF）文件来存储数据。这提供了一些有趣的内存选项，可以将您正在使用的对象链接到它保存的文件。

以下是另一个StackOverflow问题，演示了如何执行此操作："How to store a NumPy multidimensional array in PyTables."

如果您愿意将数组作为Pandas DataFrame对象使用，您还可以将Pandas接口用于PyTables / HDF5，例如：

import pandas
import numpy as np
a = np.ones((43200, 4000)) # Not recommended.
x = pandas.HDFStore("some_file.hdf")

x.append("a", pandas.DataFrame(a)) # <-- This will take a while.
x.close()

# Then later on...
my_data = pandas.HDFStore("some_file.hdf") # might also take a while
usable_a_copy = my_data["a"] # Be careful of the way changes to
                             # `usable_a_copy` affect the saved data.

copy_as_nparray = usable_a_copy.values

对于此大小的文件，您可以考虑是否可以使用并行算法执行应用程序，并且可能仅应用于大型数组的子集，而不是在继续之前需要使用所有数组。