Python使用稀疏矩阵节省内存实例

发布时间：2020-12-17 07:19:10 所属栏目：Python 来源：网络整理

导读：推荐系统中经常需要处理类似user_id,item_id,rating这样的数据，其实就是数学里面的稀疏矩阵，scipy中提供了sparse模块来解决这个问题，但scipy.sparse有很多问题不太合用： 1、不能很好的同时支持data[i,...]、data[...,j]、data[i,j]快速切片； 2、由于数

推荐系统中经常需要处理类似user_id,item_id,rating这样的数据，其实就是数学里面的稀疏矩阵，scipy中提供了sparse模块来解决这个问题，但scipy.sparse有很多问题不太合用：

1、不能很好的同时支持data[i,...]、data[...,j]、data[i,j]快速切片；
2、由于数据保存在内存中，不能很好的支持海量数据处理。

要支持data[i,j]的快速切片，需要i或者j的数据集中存储；同时，为了保存海量的数据，也需要把数据的一部分放在硬盘上，用内存做buffer。这里的解决方案比较简单，用一个类Dict的东西来存储数据，对于某个i（比如9527），它的数据保存在dict['i9527']里面，同样的，对于某个j（比如3306），它的全部数据保存在dict['j3306']里面，需要取出data[9527,...]的时候，只要取出dict['i9527']即可，dict['i9527']原本是一个dict对象，储存某个j对应的值，为了节省内存空间，我们把这个dict以二进制字符串形式存储，直接上代码：

复制代码代码如下:

'''
Sparse Matrix
'''
import struct
import numpy as np
import bsddb
from cStringIO import StringIO

class DictMatrix():
    def __init__(self,container = {},dft = 0.0):
        self._data = container
        self._dft   = dft
        self._nums = 0

    def __setitem__(self,index,value):
        try:
            i,j = index
        except:
            raise IndexError('invalid index')

        ik = ('i%d' % i)
        # 为了节省内存，我们把j,value打包成字二进制字符串
        ib = struct.pack('if',j,value)
        jk = ('j%d' % j)
        jb = struct.pack('if',i,value)

        try:
            self._data[ik] += ib
        except:
            self._data[ik] = ib
        try:
            self._data[jk] += jb
        except:
            self._data[jk] = jb
        self._nums += 1

    def __getitem__(self,index):
        try:
            i,j = index
        except:
            raise IndexError('invalid index')

        if (isinstance(i,int)):
            ik = ('i%d' % i)
            if not self._data.has_key(ik): return self._dft
            ret = dict(np.fromstring(self._data[ik],dtype = 'i4,f4'))
            if (isinstance(j,int)): return ret.get(j,self._dft)

        if (isinstance(j,int)):
            jk = ('j%d' % j)
            if not self._data.has_key(jk): return self._dft
            ret = dict(np.fromstring(self._data[jk],f4'))

        return ret

    def __len__(self):
        return self._nums

    def __iter__(

测试代码：

复制代码代码如下:

import timeit

timeit.Timer('foo = __main__.data[9527,...]','import __main__').timeit(number = 1000)

消耗1.4788秒，大概读取一条数据1.5ms。
采用类Dict来存储数据的另一个好处是你可以随便用内存Dict或者其他任何形式的DBM，甚至传说中的Tokyo Cabinet….

好了，码完收工。

您可能感兴趣的文章:

用Python中的__slots__缓存资源以节省内存开销的方法
python如何为创建大量实例节省内存

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!