Question

我试图计算从文本中读取的大量数据之间的相关性。对于极大的数据集，程序会给出内存错误。任何人都可以告诉我如何纠正这个问题。感谢

以下是我的代码：

enter code here

import numpy
from numpy  import *
from array import *
from decimal import *
import sys

Threshold = 0.8;
TopMostData = 10;

FileName = sys.argv[1]

File = open(FileName,'r')

SignalData = numpy.empty((1, 128));
SignalData[:][:] = 0;

for line in File:

    TempLine = line.split();
    TempInt = [float(i) for i in TempLine]
    SignalData = vstack((SignalData,TempInt))

del TempLine;
del TempInt;

File.close();

TempData = SignalData;
SignalData = SignalData[1:,:]
SignalData = SignalData[:,65:128]

print "File Read | Data Stored" + " | Total Lines: " + str(len(SignalData))

CorrelationData = numpy.corrcoef(SignalData)

以下是错误：

Traceback (most recent call last):
  File "Corelation.py", line 36, in <module>
    CorrelationData = numpy.corrcoef(SignalData)
  File "/usr/lib/python2.7/dist-packages/numpy/lib/function_base.py", line 1824, in corrcoef
    return c/sqrt(multiply.outer(d, d))
MemoryError

Answer 1

评论显示，内存不足。如果发生这种情况是因为您使用的是32位Python，那么即使是下面的方法也会失败。但是对于64位Python和不那么多RAM的情况，我们可以做很多事情，因为计算相关性很容易分段完成，因为你只需要同时在内存中有两行。

因此，您可以将输入拆分为1000行块，然后生成的1000 x 1000矩阵很容易保留在内存中。然后，您可以将结果汇总到大输出矩阵中，该矩阵不一定在RAM中。即使你有很多内存，我也推荐这种方法，因为这对内存更友好。如果输入可以保存在RAM中，则相关系数计算不是快速随机访问会有很大帮助的操作。

不幸的是，numpy.corrcoef不会自动执行此操作，我们将不得不滚动自己的相关系数计算。幸运的是，这并不像听起来那么难。

这些方面的东西：

import numpy as np

# number of rows in one chunk
SPLITROWS = 1000

# the big table, which is usually bigger
bigdata = numpy.random.random((27000, 128))

numrows = bigdata.shape[0]

# subtract means form the input data
bigdata -= np.mean(bigdata, axis=1)[:,None]

# normalize the data
bigdata /= np.sqrt(np.sum(bigdata*bigdata, axis=1))[:,None]

# reserve the resulting table onto HDD
res = np.memmap("/tmp/mydata.dat", 'float64', mode='w+', shape=(numrows, numrows))

for r in range(0, numrows, SPLITROWS):
    for c in range(0, numrows, SPLITROWS):
        r1 = r + SPLITROWS
        c1 = c + SPLITROWS
        chunk1 = bigdata[r:r1]
        chunk2 = bigdata[c:c1]
        res[r:r1, c:c1] = np.dot(chunk1, chunk2.T)

一些注意事项：

上面的代码在np.corrcoef(bigdata)
如果您有复杂的值，则需要创建一个复杂的输出数组res并采用chunk2.T
代码伪装bigdata以保持性能并最大限度地减少内存使用;如果你需要保存它，请复制

以上代码在我的机器上运行大约需要85秒，但数据大部分都适合RAM，我有一个SSD磁盘。该算法以这样的顺序编码，以避免过于随机地访问HDD，即访问是合理顺序的。相比之下，即使您拥有大量内存，非memmapped标准版本也不会明显更快。（实际上，我的情况需要花费更多的时间，但我怀疑我的16 GiB用完了，然后进行了大量的交换。）

通过省略矩阵的一半，您可以更快地进行实际计算，因为res.T == res。实际上，您可以省略c > r中的所有块，然后再镜像它们。另一方面，性能很可能受到HDD性能的限制，因此其他优化并不一定会带来更快的速度。

当然，这种方法很容易并行，因为块计算是完全独立的。也可以很容易地在线程之间共享memmapped数组。

Python：numpy.corrcoef内存错误

1 个答案: