我正在寻找(Python接口)可迭代的数据结构 可以容纳大量数量的商品。理想情况下,所有人都使用的内存 列表中的项目大于可用的RAM:对象是 在访问某些磁盘文件时透明地交换进出; 在任何一个RAM中只加载一小部分可配置的数据 给定时间。换句话说,我希望看到像C ++的STXXL库这样的东西,但我只需要一个类似列表的容器。
此外,数据结构需要允许:存储任意Python对象,添加/删除
元素(按位置或按值),迭代所有元素
元素,in
/ __contain__
检查,以及(可能)快速的方法
选择满足简单属性等式谓词的元素
(例如,x.foo = 'bar'
)
以下是我希望看到的API的示例::
# persist list data to `foo.dat`, keep 100 items in memory
l = FileBackedList('foo.dat', 100)
# normal Python list operations work as expected
l.append('x'); len(l) == 1
l.extend([1, 2, 3])
l.remove('x'); len(l) == 3
l.pop(0); len(l) == 2
2 in l # => True
# there should be at least one way of doing the following
k = [item for item in l if item > 2]
k = filter(l, lambda item: item > 2)
可以接受的是,实施不是特别快或 高效;处理大量对象的能力 约束记忆是最重要的。
在我开始推出自己的实现之前,有没有 我已经可以插入我的应用程序的现有库了吗?或至少 一些代码从中获取灵感?
答案 0 :(得分:1)
我相信你正在寻找像numpy这样的memmap数组。如果您想要一个功能更全面的表格数据结构,来自graphlab的SFrame可以正常工作,但请注意,该库只能用于非商业用途。你可以使用numpy做任何事情。
答案 1 :(得分:1)
@Adam:SFrame是开源的。这正是您所需要的(https://github.com/dato-code/SFrame)
答案 2 :(得分:1)
shelve
在python标准库中,大约是您所需要的一半。不幸的是,它仅创建了一个类似于字典的对象。因此,我写了list-like interface for dictionary-like objects。这是实际的样子:
import shelve
import tempfile
import os.path
from listlike import ListLike
with tempfile.TemporaryDirectory() as tempdir:
with shelve.open(os.path.join(tempdir,'foo.dat')) as sf:
q = ListLike(sf)
# normal Python list operations work as expected
q.append('x');
assert len(q) == 1
q.extend([1, 2, 3])
q.remove('x');
assert len(q) == 3
q.pop(0);
assert len(q) == 2
q.append('Hello!')
assert q[2] == 'Hello!'
# technically you can use the list() to create an actual list
assert list(q) == [2, 3, 'Hello!']
# but if your sf is super large, this obviously is bad.
# I use it here for illustration purposes.
# still, you can use all the normal list operations
# (that I remembered to implement/check)
assert 2 in q # => True
del q[2]
assert list(q[1:2]) == [3]
assert list(q[-1:]) == [3]
# except addition, 'cause we don't want to copy large data
try:
q + [10]
except TypeError:
pass
# but, iadd works fine
q += [10] # same as q.extend([10])
# normal index range rules
try:
q[100]
except IndexError:
pass
q.extend([0, 1, 2, 3, 4, 5])
# both of the following work as intended
k1 = [item for item in q if item > 2]
k2 = list(filter(lambda item: item > 2, q))
assert list(q) == [2, 3, 10, 0, 1, 2, 3, 4, 5]
assert k1 == [3, 10, 3, 4, 5]
assert k2 == [3, 10, 3, 4, 5]
assert k1 == k2
# the values get pickled, so they can be any arbitrary object
q.append(A(1,2))
q.append(A('Hello',' there'))
q.append(A('Hello',2))
# reminder: pickling pickles the whole class, so if you are
# storing instances of your own custom class, then updates to
# that class' code won't be reflected in the persisted instances.
注意事项
.append()
/ .extend()
和get
操作,其速度与索引shelve
的速度相同。shelve
在下面使用dbm
。有dbm
种不同的实现方式。keys()
的列表不适合内存,那么shelve
会在尝试加载文件时耗尽内存。已缓存
使用一个shelve.Shelf
对象,我发现它不慢重复读取具有1300万个条目的1.5GB文件中的1000个任意位置,就如同具有10万个的15MB文件中一样项。
我怀疑这是因为操作系统/文件系统执行大量内部文件缓存以加快对公用扇区的读取速度。也许gdbm
已经进行了一些缓存?
无论如何,如果确实需要,可以扩展shelve.Shelf
或我的ListLike
并在get函数上使用functools.lru_cache
。
答案 3 :(得分:0)
您可以考虑简单地创建一个足够大的swap file来一次将所有数据保存在应用程序中。
交换文件(或页面文件)会保留部分磁盘空间,以便在应用程序使用过多RAM时使用。这样一来,操作系统本身就可以处理RAM中的缓存并将东西移到磁盘上,而python中没有任何特殊之处。
尽管如此,这需要设置管理员权限,对于不同的操作系统有所不同,并且需要分配足够的磁盘空间以一次将整个数据集保存在应用程序中。