Question

我制作了一个代码，用于生成379613734边的图形。

但由于内存的原因，代码无法完成。当它通过6200万行时，它占用了大约97％的服务器内存。所以我杀了它。

你有什么想法解决这个问题吗？

我的代码是这样的：

import os, sys
import time
import networkx as nx


G = nx.Graph()

ptime = time.time()
j = 1

for line in open("./US_Health_Links.txt", 'r'):
#for line in open("./test_network.txt", 'r'):
    follower = line.strip().split()[0]
    followee = line.strip().split()[1]

    G.add_edge(follower, followee)

    if j%1000000 == 0:
        print j*1.0/1000000, "million lines done", time.time() - ptime
        ptime = time.time()
    j += 1

DG = G.to_directed()
#       P = nx.path_graph(DG)
Nn_G = G.number_of_nodes()
N_CC = nx.number_connected_components(G)
LCC = nx.connected_component_subgraphs(G)[0]
n_LCC = LCC.nodes()
Nn_LCC = LCC.number_of_nodes()
inDegree = DG.in_degree()
outDegree = DG.out_degree()
Density = nx.density(G)
#       Diameter = nx.diameter(G)
#       Centrality = nx.betweenness_centrality(PDG, normalized=True, weighted_edges=False)
#       Clustering = nx.average_clustering(G)

print "number of nodes in G\t" + str(Nn_G) + '\n' + "number of CC in G\t" + str(N_CC) + '\n' + "number of nodes in LCC\t" + str(Nn_LCC) + '\n' + "Density of G\t" + str(Density) + '\n'
#       sys.exit()
#   j += 1

边缘数据如下：

1000    1001
1000245    1020191
1000    10267352
1000653    10957902
1000    11039092
1000    1118691
10346    11882
1000    1228281
1000    1247041
1000    12965332
121340    13027572
1000    13075072
1000    13183162
1000    13250162
1214    13326292
1000    13452672
1000    13844892
1000    14061830
12340    1406481
1000    14134703
1000    14216951
1000    14254402
12134   14258044
1000    14270791
1000    14278978
12134    14313332
1000    14392970
1000    14441172
1000    14497568
1000    14502775
1000    14595635
1000    14620544
1000    14632615
10234    14680596
1000    14956164
10230    14998341
112000    15132211
1000    15145450
100    15285998
1000    15288974
1000    15300187
1000    1532061
1000    15326300

最后，是否有人有分析Twitter链接数据的经验？我很难采用有向图并计算平均/中位数的indegree和outdegree节点。任何帮助或想法？

Answer 1

首先，您应该考虑是否可以添加更多RAM。通过基于您拥有的数据进行计算或通过读取各种大小的数据的子样本来衡量内存使用情况，以衡量内存使用情况。少量RAM的适度成本可能会为您节省时间和麻烦。

其次，考虑是否需要实际构建整个图形。例如，您可以通过迭代文件并计算来确定顶点的数量及其度数 - 您只需要在内存中一次保留一行，加上计数，这将比图表小很多。知道度数，您可以在找到最大连通分量时省略图中第一级的任何顶点，然后在之后校正省略的节点。您正在进行数据分析，而不是实现一些通用算法：学习有关数据的简单信息以实现更复杂的分析。

Answer 2

以下是一些想法：

您可以使用整数而不是字符串命名节点：与问题中的方法（使用字符串）相比，这将节省内存：
```
follower, followee = map(int, line.split())
```
事实上，对于多位数字标识符，整数使用的内存比字符串少得多。
让程序运行，即使内存已满，因为您的操作系统只会开始交换：您有大约3亿个节点，所以我猜他们可能需要几GB记忆;即使您的计算机交换，它也许能够处理那么多节点（特别是使用整数标记节点保存的内存）。

代码运行时的内存问题（Python，Networkx）

2 个答案: