python sklearn读取非常大的svmlight文件

Question

我使用 python 2.7 和 svmlight 来存储和读取非常大的 svmlight 格式文件。

我正在使用

读取文件

import sklearn
rows, labels = sklearn.datasets.load_svmlight_file(matrixPath, zero_based=True)

文件太大，无法存储在内存中。我正在寻找一种批量迭代文件的方法，而不需要提前拆分文件。

目前我发现的最好方法是使用终端命令 split 来拆分 svmlight 文件。然后读取我创建的部分文件。

我found读取大文件的一个好方法是逐行批量读取，以免内存溢出。

如何使用 svmlight 格式的文件执行此操作？

谢谢!

Answer 1

我遇到了同样的问题，这是我的解决方案:

使用 scikitlearn 中的 load_svmlight_file 函数，您可以指定 offset 和 length 参数。来自 documentation :

offset:整数，可选，默认0

• 通过向前查找来忽略偏移量的第一个字节，然后丢弃后续字节，直到下一个换行符。

长度:整数，可选，默认-1

• 如果严格为正，则一旦文件中的位置达到(偏移量 + 长度)字节阈值，就停止读取任何新的数据行。

以下是如何批量迭代 svmlight 文件的示例:

from sklearn.datasets import load_svmlight_file

def load_svmlight_batched(filepath, n_features, batch_size):
    offset = 0
    with open(filepath, 'rb') as f:
        X, y = load_svmlight_file(f, n_features=n_features,
                                  offset=offset, length=batch_size)
        while X.shape[0]:
            yield X, y
            offset += batch_size
            X, y = load_svmlight_file(f, n_features=n_features,
                                      offset=offset, length=batch_size)

def main(filepath):
    iterator = load_svmlight_batched(filepath, 
                                     n_features=2**14, 
                                     batch_size=10000)
    for X_batch, y_batch in iterator:
        # Do something