Pythonで読み取ろうとする3GBのCSVファイルがあり、中央値の列が必要です。
from numpy import *
def data():
return genfromtxt('All.csv',delimiter=',')
data = data() # This is where it fails already.
med = zeros(len(data[0]))
data = data.T
for i in xrange(len(data)):
m = median(data[i])
med[i] = 1.0/float(m)
print med
私が得るエラーはこれです:
Python(1545) malloc: *** mmap(size=16777216) failed (error code=12)
*** error: can't allocate region
*** set a breakpoint in malloc_error_break to debug
Traceback (most recent call last):
File "Normalize.py", line 40, in <module>
data = data()
File "Normalize.py", line 39, in data
return genfromtxt('All.csv',delimiter=',')
File "/Library/Frameworks/Python.framework/Versions/2.6/lib/python2.6/site-
packages/numpy/lib/npyio.py", line 1495, in genfromtxt
for (i, line) in enumerate(itertools.chain([first_line, ], fhd)):
MemoryError
メモリ不足のエラーだと思います。私は4 GBのRAMと64ビットモードでコンパイルされたnumpyとPythonの両方を備えた64ビットMacOSXを実行しています。
どうすれば修正できますか?メモリ管理だけのために、分散アプローチを試すべきですか?
ありがとう
編集:これも試したが運がない...
genfromtxt('All.csv',delimiter=',', dtype=float16)
他の人々が述べたように、非常に大きなファイルの場合は、反復する方がよいでしょう。
ただし、さまざまな理由により、通常はすべてをメモリに格納する必要があります。
genfromtxt
はloadtxt
よりも効率的ではありません(欠落データを処理しますが、loadtxt
は2つの関数が共存するため、より「リーンで平均」です)。
データが非常に規則的である場合(たとえば、すべて同じタイプの単純な区切られた行のみ)、_numpy.fromiter
_を使用してどちらかを改善することもできます。
十分なRAMがある場合は、np.loadtxt('yourfile.txt', delimiter=',')
の使用を検討してください(ファイルにヘッダーがある場合は、skiprows
を指定する必要がある場合もあります)。
簡単に比較すると、loadtxt
を使用して〜500MBのテキストファイルをロードすると、ピーク時に最大900MBのRAMが使用されますが、genfromtxt
を使用して同じファイルをロードすると、約2.5GBが使用されます。
Loadtxt
Genfromtxt
あるいは、次のようなものを検討してください。非常にシンプルで定期的なデータに対してのみ機能しますが、非常に高速です。 (loadtxt
とgenfromtxt
は、多くの推測とエラーチェックを行います。データが非常にシンプルで定期的なものであれば、大幅に改善できます。)
_import numpy as np
def generate_text_file(length=1e6, ncols=20):
data = np.random.random((length, ncols))
np.savetxt('large_text_file.csv', data, delimiter=',')
def iter_loadtxt(filename, delimiter=',', skiprows=0, dtype=float):
def iter_func():
with open(filename, 'r') as infile:
for _ in range(skiprows):
next(infile)
for line in infile:
line = line.rstrip().split(delimiter)
for item in line:
yield dtype(item)
iter_loadtxt.rowlength = len(line)
data = np.fromiter(iter_func(), dtype=dtype)
data = data.reshape((-1, iter_loadtxt.rowlength))
return data
#generate_text_file()
data = iter_loadtxt('large_text_file.csv')
_
Fromiter
Genfromtxt()を使用する際の問題は、ファイル全体をメモリに、つまりnumpy配列にロードしようとすることです。これは小さなファイルには最適ですが、あなたのような3GB入力には不適切です。列の中央値を計算しているだけなので、ファイル全体を読み取る必要はありません。単純ですが、最も効率的な方法ではありませんが、ファイル全体を1行ずつ複数回読み取り、列を繰り返し処理します。
python csv モジュールを使用しないのはなぜですか?
>> import csv
>> reader = csv.reader(open('All.csv'))
>>> for row in reader:
... print row