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

推荐答案

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。

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。

这篇关于Python：numpy.corrcoef内存错误的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持跟版网！