我有一个相当大的列表列表,表示Sogou文本分类数据集中的标记。我可以用剩下的12个内存处理45万个训练集,但是当我打电话给numpy.保存()在列表中,内存使用量似乎翻了一番,内存不足。在
为什么会这样?是吗numpy.保存保存前转换列表,但保留列表以使用更多内存?在
是否有其他方法保存此列表,即酸洗?我相信numpysave使用pickle协议,从allow pickle参数判断:https://docs.scipy.org/doc/numpy/reference/generated/numpy.save.html
print "Collecting Raw Documents, tokenize, and remove stop words"
df = pd.read_pickle(path + datasetName + "Train")
frequency = defaultdict(int)
gen_docs = []
totalArts = len(df)
for artNum in range(totalArts):
if artNum % 2500 == 0:
print "Gen Docs Creation on " + str(artNum) + " of " + str(totalArts)
bodyText = df.loc[artNum,"fullContent"]
bodyText = re.sub('<[^<]+?>', '', str(bodyText))
bodyText = re.sub(pun, " ", str(bodyText))
tmpDoc = []
for w in word_tokenize(bodyText):
w = w.lower().decode("utf-8", errors="ignore")
#if w not in STOPWORDS and len(w) > 1:
if len(w) > 1:
#w = wordnet_lemmatizer.lemmatize(w)
w = re.sub(num, "number", w)
tmpDoc.append(w)
frequency[w] += 1
gen_docs.append(tmpDoc)
print len(gen_docs)
del df
print "Saving unfiltered gen"
dataSetName = path + dataSetName
np.save("%s_lemmaWords_noStop_subbedNums.npy" % dataSetName, gen_docs)
np.save
首先尝试将输入转换为数组。毕竟,它的设计是为了节省numpy数组。在如果生成的数组是多维的,包含数值或字符串值(dtype),它将保存一些基本的维度信息以及数组数据缓冲区的内存副本。在
但是如果数组包含其他对象(例如,dtype对象),那么它将pickle这些对象,并保存结果字符串。在
我会努力的
这会产生内存错误吗?在
如果不是,它的}是什么?在
shape
和{如果
tmpDoc
(子列表)的长度不同,arr
将是一个1d数组,其中的对象是tmpDoc
列表。在只有当所有的
tmpDoc
都有相同的长度时,它才会产生一个2d数组。即使这样,数据类型也将依赖于元素,无论是数字、字符串还是其他对象。在我可以补充一点,数组是用
save
协议来处理的。在相关问题 更多 >
编程相关推荐