3

据我了解，HDFStore.select是用于从大型数据集中进行选择的工具。但是，当尝试使用chunksizeand循环块时iterator=True，一旦基础数据集足够大，迭代器本身就会变成一个非常大的对象，我不明白为什么迭代器对象很大以及它包含什么样的信息它必须变得这么大。

我有一个非常大的HDFStore结构（70 亿行，420 GB 磁盘），我想按块进行迭代：

iterator = HDFStore.select('df', iterator=True, chunksize=chunksize)

for i, chunk in enumerate(iterator):
    # some code to apply to each chunk

当我为一个相对较小的文件运行此代码时 - 一切正常。但是，当我尝试将其应用于 70 亿行数据库时，我得到了一个Memory Errorwhen 计算迭代器。我有 32 GB 内存。

我想要一个生成器来在旅途中创建块，它不会在 RAM 中存储太多，例如：

iteratorGenerator = lambda: HDFStore.select('df', iterator=True, chunksize=chunksize)

for i, chunk in enumerate(iteratorGenerator):
    # some code to apply to each chunk

但iteratorGenerator不可迭代，所以这也不起作用。

我可能会循环HDFStore.selectoverstart和stoprows，但我认为应该有一种更优雅的迭代方式。

4

1 回答 1

2

我对（仅）30GB 的文件也有同样的问题，显然你可以通过强制垃圾收集器完成它的工作来解决它......收集！:P PS：你也不需要 lambda，select 调用将返回一个迭代器，只需循环它，就像你在第一个代码块中所做的那样。

with pd.HDFStore(file_path, mode='a') as store:
    # All you need is the chunksize
    # not the iterator=True
    iterator = store.select('df', chunksize=chunksize)

    for i, chunk in enumerate(iterator):

        # some code to apply to each chunk

        # magic line, that solved my memory problem
        # You also need "import gc" for this
        gc.collect()
于 2018-01-05T10:34:24.860 回答