我有一个大的数据集:20,000 x 40,000 的 numpy 数组。我已将其保存为 pickle 文件。
我希望不用一次性读入整个数据集到内存中,而是每次只读取其中几行(比如100行)作为小批量使用。
如何从 pickle 文件中随机选择(且不重复选择)几行数据进行读取?
我希望不用一次性读入整个数据集到内存中,而是每次只读取其中几行(比如100行)作为小批量使用。
如何从 pickle 文件中随机选择(且不重复选择)几行数据进行读取?
你可以逐步地向文件中写入pickle数据,这样你也可以逐步地加载它们。
以以下示例为例。在这里,我们迭代一个列表中的项,并依次对每个项进行pickle。
>>> import cPickle
>>> myData = [1, 2, 3]
>>> f = open('mydata.pkl', 'wb')
>>> pickler = cPickle.Pickler(f)
>>> for e in myData:
... pickler.dump(e)
<cPickle.Pickler object at 0x7f3849818f68>
<cPickle.Pickler object at 0x7f3849818f68>
<cPickle.Pickler object at 0x7f3849818f68>
>>> f.close()
现在我们可以按照相反的过程逐个加载每个对象。以示例为例,假设我们只需要第一个项目,而不想遍历整个文件。
>>> f = open('mydata.pkl', 'rb')
>>> unpickler = cPickle.Unpickler(f)
>>> unpickler.load()
1
此时,文件流仅前进到第一个对象。未加载剩余的对象,这正是您想要的行为。您可以尝试读取文件的其余部分,并查看其余部分是否仍在原地。
>>> f.read()
'I2\n.I3\n.'
关于性能的备注:在阅读了评论后,我进行了一项简短的基准测试。在我的机器上(16GB RAM,加密SSD),我能够在24秒内完成40000个随机行读取操作(当然,使用的是一个20000x40000的矩阵,而不是例子中的10x10矩阵)。
from __future__ import print_function
import numpy
import random
def dumparray(a, path):
lines, _ = a.shape
with open(path, 'wb') as fd:
for i in range(lines):
fd.write(a[i,...].tobytes())
class RandomLineAccess(object):
def __init__(self, path, cols, dtype):
self.dtype = dtype
self.fd = open(path, 'rb')
self.line_length = cols*dtype.itemsize
def read_line(self, line):
offset = line*self.line_length
self.fd.seek(offset)
data = self.fd.read(self.line_length)
return numpy.frombuffer(data, self.dtype)
def close(self):
self.fd.close()
def main():
lines = 10
cols = 10
path = '/tmp/array'
a = numpy.zeros((lines, cols))
dtype = a.dtype
for i in range(lines):
# add some data to distinguish lines
numpy.ndarray.fill(a[i,...], i)
dumparray(a, path)
rla = RandomLineAccess(path, cols, dtype)
line_indices = list(range(lines))
for _ in range(20):
line_index = random.choice(line_indices)
print(line_index, rla.read_line(line_index))
if __name__ == '__main__':
main()
谢谢大家。最后我找到了一个解决方法(使用内存更大的机器,这样我就能够将数据集加载到内存中了)。
file.seek()
访问文件中的任何一行。struct
模块可用于编写和读取文件。 - martineau