Python：numpy.corrcoef内存错误
问题描述
我试图计算从文本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。有人能告诉我如何纠正这个问题吗？谢谢
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
解决方案
您的内存不足，如注释所示。如果因为您使用的是32位Python而发生这种情况，那么即使是下面的方法也会失败。但是对于64位Python和RAM不是很多的情况，我们可以做很多事情，因为计算相关性很容易分段完成，因为您只需要同时在内存中使用两行。
因此，您可以将输入拆分成(比方说)1000行块，然后生成的1000x1000矩阵很容易保存在内存中。然后，您可以将结果组合到不一定在RAM中的大输出矩阵中。即使您有很多RAM，我也推荐使用这种方法，因为这对内存更加友好。如果输入可以保留在RAM中，则快速随机访问不会对相关系数计算有很大帮助。 不幸的是，numpy.corrcoef不会自动执行此操作，我们将不得不进行自己的相关系数计算。幸运的是，这并不像听起来那么难。
大致如下：
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)
注意事项：
- 上面的代码经过测试
np.corrcoef(bigdata) - 如果您有复数值，则需要创建一个复数输出数组
res并取chunk2.T的复数共轭
- 代码会乱码
bigdata以维护性能并最大限度地减少内存使用；如果需要保留它，请复制一份
上面的代码在我的机器上运行大约需要85秒，但是数据基本上可以放在RAM中，而且我有一个SSD磁盘。该算法以这样的顺序编码，以避免对HDD的太随机访问，即访问是合理顺序的。相比之下，即使您有大量内存，非内存映射标准版本的速度也不会显著提高。(实际上，在我的情况下花费的时间要长得多，但我怀疑我的16GiB用完了，然后发生了大量的交换。)
您可以通过省略矩阵的一半来加快实际计算速度，因为res.T == res。实际上，您可以省略c > r处的所有块，然后稍后对它们进行镜像。另一方面，性能很可能受到硬盘性能的限制，因此其他优化不一定会带来更高的速度。
相关文章