1

我正在使用带有 svmlight 的 python 2.7 来存储和读取一个非常大的 svmlight 格式文件。

我正在使用 

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

该文件太大而无法存储在内存中。我正在寻找一种无需提前拆分文件即可批量迭代文件的方法。

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

我发现读取大文件的一个好方法是逐行读取，以免内存溢出。

如何使用 svmlight 格式的文件执行此操作？

谢谢！

4

1 回答 1

3

我遇到了同样的问题，这是我的解决方案：

使用load_svmlight_filescikitlearn 中的函数，您可以指定offset和length参数。从文档：

偏移量：整数，可选，默认 0

  • 通过向前搜索忽略偏移量的第一个字节，然后丢弃后面的字节直到下一个换行符。

长度：整数，可选，默认 -1

  • 如果严格肯定，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
于 2018-07-17T09:08:34.103 回答