Python列表/字典与numpy数组:性能与内存控制

Question

我必须迭代地读取数据文件并将数据存储到(numpy)数组中.我选择将数据存储到"数据字段"字典中:{'field1':array1,'field2':array2,...}.

案例1(清单):

使用list(或collections.deque())来"追加"新数据数组,代码是高效的.但是,当我连接存储在列表中的数组时,内存会增长,而我却无法再次释放它.例:

filename = 'test'
# data file with a matrix of shape (98, 56)
nFields = 56
# Initialize data dictionary and list of fields
dataDict = {}

# data directory: each entry contains a list 
field_names = []
for i in xrange(nFields):
    field_names.append(repr(i))
    dataDict[repr(i)] = []

# Read a data file N times (it represents N files reading)
# file contains 56 fields of arbitrary length in the example
# Append each time the data fields to the lists (in the data dictionary)
N = 10000
for j in xrange(N):
    xy = np.loadtxt(filename)
    for i,field in enumerate(field_names):
        dataDict[field].append(xy[:,i])

# concatenate list members (arrays) to a numpy array 
for key,value in dataDict.iteritems():
    dataDict[key] = np.concatenate(value,axis=0)

计算时间: 63.4秒
内存使用量(上):13862 gime_se 20 0 1042m 934m 4148 S 0 5.8 1:00.44 python

案例2(numpy数组):

每次加入时直接连接numpy数组,效率低下但内存仍然受到控制.例:

nFields = 56
dataDict = {}
# data directory: each entry contains a list 
field_names = []
for i in xrange(nFields):
    field_names.append(repr(i))
    dataDict[repr(i)] = np.array([])

# Read a data file N times (it represents N files reading)
# Concatenate data fields to numpy arrays (in the data dictionary)
N = 10000
for j in xrange(N):
    xy = np.loadtxt(filename)
    for i,field in enumerate(field_names):
        dataDict[field] = np.concatenate((dataDict[field],xy[:,i])) 

计算时间: 1377.8秒
内存使用量(上):14850 gime_se 20 0 650m 542m 4144 S 0 3.4 22:31.21 python

问题(S):

• 是否有任何方法可以获得案例1的性能,但是如案例2那样保持内存的控制？

• 似乎在情况1中,当连接列表成员(np.concatenate(value,axis = 0))时内存增长.这样做的好主意？

Answer 1

根据我的观察，这是正在发生的事情。确实不存在内存泄漏。相反，Python 的内存管理代码（可能与您所在的任何操作系统的内存管理有关）决定保留程序中原始字典（没有连接数组的字典）使用的空间。但是，它可以免费重复使用。我通过执行以下操作证明了这一点：

1. 将您作为答案给出的代码放入返回 dataDict 的函数中。
2. 调用该函数两次并将结果分配给两个不同的变量。

当我这样做时，我发现使用的内存量仅从 ~900 GB 增加到 ~1.3 GB。如果没有额外的字典内存，根据我的计算，Numpy 数据本身应该占用大约 427 MB，所以这个数字加起来。我们的函数创建的第二个初始的、未连接的字典只是使用了已经分配的内存。

如果您确实无法使用超过 600 MB 的内存，那么我建议您使用 Numpy 数组，有点类似于 Python 列表内部所做的操作：分配具有一定列数的数组，以及当您使用这些列时向上，创建一个包含更多列的放大数组并将数据复制过来。这将减少串联的数量，这意味着它会更快（尽管仍然不如列表快），同时保持较低的内存使用量。当然，实施起来也比较痛苦。