Question

代码：

import scipy as sp
import matplotlib.pyplot as plt

data=sp.genfromtxt("data/train.tsv", delimiter ="\t", dtype="string", comments=None, skip_header=1)
x = data[:,0]
y = data[:,1]
x = x[~sp.isnan(y)]
y = x[~sp.isnan(y)]


DataOfInterest=x["avglinksize"]
EphemeralOrEvergreen=x["label"]
plt.scatter(DataOfInterest,EphemeralOrEvergreen)
plt.title("Training data")
plt.xlabel("Single feature from training set")
plt.ylabel("Ephemeral or Evergreen")
plt.grid()
plt.show()

输出：

python GenGraphs.py

Traceback (most recent call last):
  File "GenGraphs.py", line 4, in <module>
    data=sp.genfromtxt("data/train.tsv", delimiter ="\t", dtype="string", comments=None, skip_header=1)
  File "/usr/lib/python2.7/dist-packages/numpy/lib/npyio.py", line 1746, in genfromtxt
    output = np.array(data, dtype)
MemoryError

我正在尝试将tsv文件中的一列映射到另一列。

我在这里误解了什么？我怎么能这样做？

Answer 1

Python内存不足，因为您尝试创建的对象很简单。原因是您的数据包含一些非常大的字符串（请注意上一个问题）。

您创建的数组data只有一个dtype。选择此dtype的大小足以容纳数据中最长的字符串。但无论其他内容如何，对于数据中的每个字段，都会分配相同数量的内存！因此，数组内存中的大小可能会比数据文件大小大得多！

作为一种解决方案，您可以为每列指定dtype，但更容易的是只加载您实际需要的数据：

data = sp.genfromtxt('data/train.tsv', 
                     delimiter ='\t', 
                     names=True, 
                     usecols='avglinksize','label'))

Answer 2

您可以使用np.memmap加载它，这将要求您大约70MB：

import numpy as np
with open('train.tsv') as f:
    mm = np.memmap('test.memmap', shape=(7395, 27), dtype='|S4000', mode='w+')
    f.next()
    for i, l in enumerate(f):
        mm[i,:] = l.strip().replace('"','').split('\t')

使用m删除del m或关闭Python控制台时，将保存文件。也许您必须在创建文件后将模式更改为r+。

您可以使用memmap数组，就像它是一个普通数组一样，这样您就可以只获取感兴趣的部分。

调用genfromtxt方法时出现内存错误

2 个答案: