python - 用numpy保存列表时内存不足

Question

我有一个相当大的列表列表，代表搜狗文本分类数据集中的标记。我可以处理 450 000 的整个训练集，剩下 12 gig 的 ram，但是当我在列表列表中调用 numpy.save() 时，内存使用量似乎翻了一番，并且内存不足。

为什么是这样？ numpy.save 是否在保存之前转换列表但保留列表从而使用更多内存？

有没有另一种方法来保存这个列表列表，即酸洗？我相信 numpy save 使用了 pickle 协议(protocol)，从 allow pickle 参数来看: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)

Answer 1

np.save首先尝试将输入转换为数组。毕竟它旨在保存 numpy 数组。

如果生成的数组是具有数字或字符串值 (dtype) 的多维数组，它会保存一些基本维度信息，以及数组数据缓冲区的内存副本。

但是如果数组包含其他对象(例如 dtype 对象)，那么它会腌制这些对象，并保存结果字符串。

我会尝试

arr = np.array(gen_docs)

这会产生内存错误吗？

如果不是，它是什么 shape和 dtype ?

如果 tmpDoc (子列表)长度不同 arr将是一个具有对象数据类型的一维数组 - 这些对象是 tmpDoc列表。

只有当所有 tmpDoc具有相同的长度会产生一个二维数组。即便如此，dtype 也将取决于元素，无论是数字、字符串还是其他对象。

我可能会补充说，一个数组是用 save 腌制的。协议(protocol)。