Python:numpy.corrcoef内存错误

2022-02-28 00:00:00 python numpy out-of-memory

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。

当然,这种方法很容易并行,因为块计算是完全独立的。此外,还可以在线程之间轻松共享memmap数组。

相关文章